关键 Q&A
Q1：Jev 和普通 LLM 最大区别？
A：LLM 生成开放式自然语言，人可读；Jev不输出自由文本，强制限定输出 schema，返回带概率的结构化类型结果，目标是给代码直接调用，核心追求概率校准、消除幻觉。
Q2：System One 是什么？
A：TypeSafe 自创模型类别，参考卡尼曼系统 1，主打快速、低延迟、概率化决策，适合自动化里大量轻量级判断任务，而不是长篇文本生成。
Q3：RLCD 和 RLHF 差别？
A：RLHF 优化人类偏好，让回答看起来更符合人；RLCD 优化概率校准，让模型给出的概率值贴近事件真实发生概率，适合做自动化决策、风险判断。
Q4：它真的完全消除幻觉吗？
A：TypeSafe 的表述是：输出不会超出预设 schema，不会产生类型错误，也就是不会凭空编造不在选项里的值；但输入 state 本身有误、或者模型概率判断出错，依然会做出错误判断，只是错误形式被限制。
Jev 是 TypeSafe AI 推出的专有 AI 模型，2026-09-15 开启限量早鸟访问，同步官宣 4000 万美元种子轮，由 DCVC 领投，公司估值 2 亿美元。 核心定位：不是大语言模型 LLM，不为人类生成自然语言，专门输出给其他软件程序消费。TypeSafe 将其归类为「System One models（系统一号模型）」。
一、公司背景
TypeSafe AI，总部旧金山，2024 年创立。创始人：Diogo Almeida（CEO）、Erik Gafni、Sasha Sheng。
-
Diogo Almeida 曾在 OpenAI 任职约 4 年，深度参与 RLHF、InstructGPT、ChatGPT、GPT-4 研发，2024 年离职创办 TypeSafe。 -
项目秘密研发约 2 年才对外亮相。 -
创始团队出发点：现有对话式大模型擅长 “讨好人类”，但存在过度自信、幻觉，不适合作为软件自动化里可靠的决策组件。
二、核心设计：System One 模型理念
名称源自卡尼曼《思考，快与慢》的系统 1（快直觉、快速判断）。
和 LLM 本质差异：LLM 生成自由文本；Jev 输出强类型结构化结果 + 概率与置信分，结果被约束在预先定义好的 Schema 内，理论上杜绝越界输出、类型错误、幻觉。
调用范式
一次 Jev 请求 = 状态state（字符串 / JSON / 文本数组） + 一个或多个类型化问题模型并行一次性评估所有问题，返回结构化答案。
3 种基础原语（Primitive）
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
架构与训练
-
底层：基于 Transformer 架构，但没有公开完整架构、权重、技术论文，闭源专有模型。 -
训练数据：只用合成数据 synthetic data。 -
训练范式：RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）👉 优化目标不是人类标注者偏好（区别 RLHF），而是让预测概率和真实结果对齐（概率校准）。 -
外界猜测：底层可能基于开源权重 LLM 改造，官方未确认。
三、性能指标（TypeSafe 自研测试，存在局限性）
-
端到端响应：70–500ms -
自研工作流测试结论：对比前沿 LLM，速度快 40~200 倍，成本低 40~400 倍；最高自测：193.6 倍更快、444.6 倍更便宜 -
官方备注：测试任务由自家能力团队构造，存在偏向；真实场景提升大概率低于该上限。
四、Jev名字由来
以 19 世纪英国经济学家 William Stanley Jevons（威廉・斯坦利・杰文斯）命名，源自杰文斯悖论（Jevons paradox）：资源利用效率提升，反而会推动资源总消耗量上升。 创始人寓意：AI 推理成本大幅下降之后，机器智能会大规模普及部署。
五、一句话理解 Jev
Jev 是面向机器消费、程序自动化的概率决策模型。放弃自由文本生成，用预定义类型 Schema 约束输出，目标解决 LLM 幻觉、不可控输出问题；用 RLCD 做概率校准，主打低延迟、低成本，作为软件内部的快速判断引擎，而不是聊天助手。
六、横向对比表：Jev / Kev / Pi Jev Router
|
|
|
|
|
|---|---|---|---|
| 定位 |
|
|
|
| 核心能力 |
|
|
|
| 输出形式 |
|
|
|
| 训练范式 |
|
|
|
| 延迟 |
|
|
|
| 适用场景 |
|
|
|
| 核心价值 |
|
|
|
七、《introducing system-one models and jev》
《System‑One 模型与 Jev 介绍》（TypeSafe AI Blog）
我们很高兴发布 Jev，首个 System One 模型，专为软件使用而构建。 如今绝大多数 AI 模型都面向人类对话设计。它们擅长生成流畅自然的文字，会主动迎合人类，但代价是过度自信、频繁产生幻觉。当把这类模型嵌入软件自动化流程，这种特性会带来巨大风险。
System One 模型的设计灵感来自卡尼曼《思考，快与慢》：系统 1 代表快速、低开销、直觉式概率判断。Jev 不是聊天 LLM，它的目标不是写段落，而是回答带概率的结构化问题。
Jev 的输入是一段状态数据，加上若干类型化问题。它并行评估所有问题，返回被约束在预定义 Schema 内的结果，附带概率与置信分数。我们提供三种基础原语：Choice 选择、Rate 分级打分、Noul 是非概率判断。输出永远不会超出你给定的选项集合，从根源消除类型错误与开放式幻觉。
Jev 使用 RLCD（校准决策强化学习）训练。不同于 RLHF 优化人类偏好，RLCD 直接优化概率校准，让模型给出的概率值匹配事件真实发生概率。模型仅在合成数据集上训练。
自测数据显示，Jev 相比前沿大模型，速度提升数十至百倍，成本大幅下降。这让大规模嵌入式机器决策成为现实。 模型命名取自经济学家 William Stanley Jevons。正如杰文斯悖论：推理成本大幅降低后，机器智能会得到前所未有的广泛部署。 System One（Jev）与 System Two（Kev）、Pi Jev Router 共同构成一套完整栈：简单快速判断交给 Jev；复杂多步推理交给 Kev；Pi 负责路由调度，让软件系统自动选择合适模型。 我们正在开放限量早鸟，欢迎开发者试用 Jev，构建更可靠的自动化软件。