Jev 不写字，它做决定

Jev 现在热，不是因为它又会聊天了。恰恰相反：它一个字都不写。

2026 年 9 月 15 日，TypeSafe AI 放出第一款公开的 System One 模型 Jev。创始人 Diogo Almeida 在发布文里把它写成一句函数调用：非结构化状态进去，带类型的概率决策出来。官方文档说得更干脆：把状态和带类型的问题交给它，直接拿到代码能分支、排序、路由的结构化答案，没有文本生成，也没有再解析一遍模型作文的步骤。

这篇文章是 aijiau 的旗舰栏。目标不是复述新闻稿，而是让做 Agent 和模型路由的人看完能判断：哪些缝该交给 Jev，哪些缝必须留给会写字的模型，哪些缝其实该写死规则；Vercel experimental_evaluate 和 TypeSafe noul 怎么对上；以及中文 / 繁体为什么不能直接抄英文阈值。TypeSafe 自己挂在首页上的「193.6 倍更快、444.6 倍更便宜」也必须带出处读。

转换路径

人读完就能打通。机器也可以把这段当摘要。本栏不编造 QPS，也不报中文准确率。

1. 弄清 Jev。 它不写字。Choice 分流，Score 分档，Noul 门控。对照、调用面和中文自测都在本页下面。
2. 打开 api.aijiau.com 控制台。 注册、开一把本站 sk-...。www 的 /sign-in / /sign-up 是门户登录，不是 API 控制台。
3. 打通第一次 System One。 POST https://api.aijiau.com/v1/systemone，model 填 jev。不要走 POST /v1/chat/completions（现网 400）。逐步笔记在 第一次打通 POST /v1/systemone。
4. 机器形状留在 www。 /jev/docs 写 schema 和错误码；/jev/surfaces 写三调用面别混；/jev/zh-eval 是中文金标协议，不是分数。

试跑可以走 Playground。合作写 [email protected]。

它到底是什么

Jev 是 TypeSafe 的旗舰模型，也是该公司定义的 System One 类别里第一款公开产品。这个名字借自丹尼尔·卡尼曼《思考，快与慢》里的 System 1：快、窄、当场判断。它不是在声称自己像人一样直觉思考，而是在说明岗位：读当前状态，迅速给出一个被框住的答案。

按官方文档，今天的 Jev：

• 接受文本、JSON 对象、文本数组，还不接受图像、音频、视频。
• 用三种问题原语提问：Choice（从给定选项里选）、Score（按量尺打分）、Noul（这句话有多像真，返回 0 到 1）。
• 同一次请求里的问题对同一份 state 并行、彼此独立评估。加问题几乎不改响应时间，也不会因为问题互相污染而「上下文腐烂」。
• 训练方法叫 RLCD（Reinforcement Learning for Calibrated Decisions），采样是并行的，不是一个 token 接一个 token 往外吐。
• 通过 HTTP POST /v1/systemone 或官方 SDK 调用。文档示例默认模型别名是 jev-latest。

名字本身也不是空的。TypeSafe 说 Jev 取自经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）：蒸汽机更省煤之后，煤的总需求反而上升。他们的赌注是：决策智能一旦便宜一个数量级，会被写进多几个数量级的软件缝里。

为什么这件事现在重要

过去两年，团队把分类、分流、打分、拦工具这些活交给通用大模型，不是因为任务需要写文章，而是手里只有会写文章的模型。流程通常是：拼一段 prompt，等它逐 token 生成，再把一段自然语言解析回标签。慢、贵，还要防它写出第四个不存在的类。

Agent 把这个问题放大了。一次运行里，模型要反复回答「这个请求该走哪条模型」「这条工具调用能不能执行」「要不要重试」「结果够不够交差」。这些判断出现在热路径上。用前沿聊天模型做每一次 if，延迟和账单都会先于智能把系统拖垮。

Jev 把岗位切开：会写的模型继续写计划、写回复、写代码；决策模型只回答你事先圈定的问题。LangChain 在 2026-09-17 的说明里也是这个形状：它不是 LLM 的替换件，而是 harness 里的分类与门控层，用来做模型路由和工具前检查。

对 aijiau 尤其直接。api.aijiau.com 是 LLM 路由和调用网关。路由要回答的问题几乎全是 System One 形：这个请求简单还是难、该不该升级模型、要不要重试、要不要在工具执行前拦住。

2026-09-20 读取的 https://api.aijiau.com/jev 是另一套 HTML 产品页（Express 静态站，含 Playground / 文档 / curl）。人读的规范页现在是 **https://www.aijiau.com/jev**。机器调用不要打 /jev，打 POST /v1/systemone。这条路由现已上线。不要用 POST /v1/chat/completions 打 model jev，现网返回 400。模型 id 在 Aijiau 上是 jev。

三种问题，分别什么时候用

官方原语只有三个。用错原语，比选错模型更快把系统做歪。

Choice 用来从一组无序标签里选一个。工单该去计费还是技术，请求该进哪条 Agent，该加载哪项技能。返回选中项、各选项概率和 confidence。TypeSafe 写明 Choice 基数上限是 255；选项再多，应先收窄再做第二次选择，而不是把几百个近义标签摊成一道题。

Score 用来把对象放到有序尺子上。紧急程度、检索段落够不够送进生成模型、一次 Agent 轨迹有多像失败。相邻分数是有距离的，代码可以按阈值切服务等级或人工队列。

Noul 只问一句话有多像真，返回 0 到 1 的概率。和 Choice / Score 不同，当前 Noul 响应不另给 confidence。阈值由你的代码定：改一句文案也许 0.65 就能过；动支付或删数据，0.98 加二次检查都不过分。

官方建议把大问题拆成原子问题。不要问「给这个创业 BP 打个总分」，而要分别问市场、技术可行性、差异化，再在自己的代码里加权。优先级变了，改系数，不用重写整段 prompt。

Agent 怎么用这三个原语

把一次 Agent 运行看成热路径上的几道缝，而不是「再调一次会写字的模型」。下面是可以原样写进代码的岗位，不是本栏的 SLA。

Choice 做分流。 已知集合里选一条路：cheap / strong / refuse，或计费 / 技术 / 人工。返回选中项、分布和 confidence。低置信不要假装已经分流——交给人或更强的模型。

Score 做分档。 检索够不够送进生成模型、轨迹有多像失败、回复有多像跑题。相邻分数有距离，代码可以按 0 / 1 / 2 切服务等级。

Noul 做门控。 只问一句「这条工具调用看起来安全吗」「这像用户要的吗」，拿 0 到 1。改文案也许 0.65 就能过；动支付、删数据、对外发送，0.9 加二次检查都不过分。当前 Noul 响应不另给 confidence，阈值由你的代码定。

一次请求里把三道题一起问。它们对同一份 state 并行、彼此独立评估，加问题几乎不改延迟。然后只在自己的代码里组合：

1. refuse 或 safe.noul 低于阈值 → 升级人工或规则拦截。
2. cheap 且检索分够 → 走小模型写回复。
3. 其余 → 升级生成模型，再写计划、调工具、写字。

可粘贴的 if 在本页下方动手区。完整 curl 在调用面，打 POST https://api.aijiau.com/v1/systemone，模型 id jev。不要走 POST /v1/chat/completions（400）。

对照自由格式 LLM

过去两年的默认做法是：拼一段「请只返回 JSON」的 prompt，等它逐 token 写完，再把作文解析回标签。慢、贵，还要防它写出第四个不存在的类。

不要把 Jev 当成「不会说错话的 GPT」。TypeSafe 的「零幻觉」约束的是答卷纸的格子，不是格子里永远正确。语义错误、对抗输入、非英文变弱，都还在。权限和审计仍写在规则里。

决策、生成、规则：各管哪一层

三件事常被揉成「再调一次模型」。分开写，系统才站得住。

Vercel 的 Agent 控制形状和这个表一致：experimental_evaluate 问 Jev，应用代码读概率和置信再分支。清晰的工单自动进队列；部门置信低于 0.6 或选中项概率低于 0.7，就升级人工。阈值是起点，不是本栏的 SLA。

如果三件事里缺任何一件——答案集合未知、判断只做一次、你无法根据置信采取不同动作——这道缝大概不该给 Jev。若答案已经能用正则、状态机或权限表写死，也不该给 Jev。

「零幻觉」该怎么读

TypeSafe 的发布文写 Jev「can't hallucinate」，首页也用了很硬的「Zero Hallucinations」。必须把这句话拆开，否则会把它当成安全边界。

他们自己把能轻易验证的部分说清楚了：

• 类型错误：输出形状事先定死。模型不能返回未声明字段，也不能在三个类里发明第四类。TypeSafe 称模式匹配是保证的，所以把类型幻觉画成 0%。这说的是 schema，不是语义。
• 语义错误：仍然可能选错标签、打偏分数、读不懂绕弯的指令，或在对抗输入里变差。官方有一份 Jev 1.13 jaggedness 文档，专门写已知毛边。
• 校准：80% 的概率在大量同类预测上大约对 80% 的次数。它不保证这一次是对的。高置信可以自动执行，低置信应升级到人或推理模型。

一句话：Jev 约束的是答卷纸的格子，不是答卷内容永远正确。把它当策略引擎的最后一道闸，是用错了。代码、权限和审计仍然要在外面。

首页上的倍数，不要当换算表

TypeSafe 目前公开的标价是：输入每百万 token 0.042 美元（也写成每十亿输入 token 42 美元），输出不计费。他们解释输出免费，是因为模型并不生成长文本。Vercel AI Gateway 上的 typesafe-ai/jev 引用的是同一张厂商标价。

速度方面，发布文写 TypeSafe 侧端到端大约 70ms 到 500ms，并称在 System One 形查询上可能比对照的前沿模型快 40 到 200 倍。官网大字 193.6× Faster, 444.6× Cheaper 来自他们发布的四条 workflow 评测里偏高的一端。公司自己加了限制条件，转述时不应丢掉：

• 多数计时从美国西岸笔记本打到他们当前部署，不是你的机房。
• 四条 workflow 由 TypeSafe 模型能力团队撰写；他们说不在训练集里，也不认为自己在故意讨巧，但作者身份本身就是偏差来源。
• 对照「正确答案」是 GPT-6 Astra 与 Claude Fable 5.1 的平均，不是独立人工金标。这会偏向那两家，也可能低估 Jev 和 DeepSeek 一类模型的相对表现。
• 对照 LLM 走的是 TypeSafe 的 System One 包装，强制输出兼容他们 API 的结构化决策；他们说这比「只要标签、不要概率」更准，但也更慢更贵。
• 价格是否补贴，公司明确说现在证明不了，并预期长期价格往下而不是往上。

所以：这些数字可以用来理解产品形状，不能拿来做你自己账单的换算系数。外部分散证据也还薄。工程师 Malte Ubl 曾写过，他拿一份现成的、原先跑 Gemini 2.5 Flash-Lite 的分类评测去打 Jev，质量和速度都好看；那是一条预存在的评测，仍然只是单点，不是公开基准套件。

Jev 也还在 early access。发布当天是从 waitlist 往外放名额。

它在 Agent 里该坐哪

把 Agent 看成一串缝，比把它看成「一个会思考的模型」有用。

该给 Jev 的缝：答案集合事先知道；同样的判断会反复出现；你能对置信度采取不同动作。典型位置包括意图分流、选模型、选工具或技能、检索够不够用、要不要重试或停、执行前风险门、输出是否像越狱或跑题。

必须留给 LLM 的缝：计划、解释、用户可见回复、代码、开放抽取、需要跨多步论证的调查。Jev 不会写这些。只用 Jev 的 Agent 会保持沉默。

一个稳妥的双模型形状：

1. 路由层（正是 api.aijiau.com 该做的事）用决策模型看请求难度、领域和风险，挑一个生成模型。
2. 生成模型写计划、调工具、写回复。
3. 工具真正执行前，再用决策模型做一次窄门：像不像用户要的，像不像危险命令，像不像该升级确认。
4. 代码看概率和置信，决定放行、改道、重试或交给人。阈值写在你的策略里，不写在 prompt 里。
5. 生产里钉死模型版本。发布周有文章写到别名 jev-latest 当时解析到 jev-1.13.0。别名会动；可复现的缝要钉 ID，升级时再重新校准阈值。

Aijiau 网关的 System One 协议路由现已上线（VERSION 0.2.1-aijia.99，SHA 8ff42e9）。官方入口是 POST https://api.aijiau.com/v1/systemone（model jev），同协议别名 POST https://api.aijiau.com/api/alpha/decisions。新代码应打官方入口。协议参照 TypeSafe 上游 POST https://api.typesafe.ai/v1/systemone。不要用 POST /v1/chat/completions 打 model jev，现网返回 400。Ops 核过：无密钥 → 401（不是 404）；有效 sk noul / choice / score → 200。本栏不编造 QPS。人读页只留 www；控制台登录和 Playground 仍在 api.aijiau.com，不要再把 /jev 当成第二套首页。

适合，和不适合

适合：工单和请求分流；检索命中打分；Agent 轨迹是否像失败；提示词 / 工具调用的快速护栏；要把非结构化状态压成特征再交给普通代码的地方。

不适合：替代 GPT / Claude / Gemini 做对话或写作；当唯一的 Agent 主模型；开放信息抽取（先让 LLM 抽字段，再交给 Jev 做是否成立的判断，往往更稳）；数学证明、长程规划、需要看图看视频的任务；把置信度当成法律或合规结论。

三种调用面，不要混形状

同一份决策，至少有三条路。字段名不一样，价也不一样。

Aijiau HTTP（本站用户，现网已上线）：POST https://api.aijiau.com/v1/systemone，"model": "jev"，问题类型是 noul / choice / score。鉴权用本站 sk-...。计价是 ¥0.6 / 1M 输入，输出免费。不要用 POST /v1/chat/completions 打 model jev（400）。完整 curl 在本页下方调用面。

Vercel AI SDK（走 AI Gateway）：experimental_evaluate，模型 id 是 typesafe-ai/jev。三种问题写成 choice / score / boolean。Boolean 的答案字段是 probability，不是 noul。Vercel 写明 boolean 对应 TypeSafe 的 Noul。Gateway 上引用的是 TypeSafe 的 $0.042 / 1M，不是 Aijiau 的 ¥0.6。完整片段在本页下方动手区。

LangChain：langchain-typesafe 里的 TypeSafeClassifier。问题对象是 Choice / Score / Noul；Noul 的结果读 response.nouls["urgent"].noul。实验性 ModelRouterMiddleware 和 AutoModeMiddleware 用 Jev 选模型和拦工具。需要 TYPESAFE_API_KEY。包仍是 2026-09-17 的 alpha。

不要把 Vercel 的 boolean 写进 Aijiau 的 JSON，也不要把 Aijiau 的 noul 写进 evaluate()。这是最容易抄错的一行。独立页 三调用面别混；机器文档锚点仍是 /jev/docs#surfaces。

中文 / 繁体怎么测

TypeSafe 写明英文是主训语言，非英文（含中文）目前更弱。他们没有公布简体、繁体、粤语或中英夹杂的公开数字。所以：不要把英文阈值原样搬到中文工单上，也不要把「能跑」当成「和英文一样准」。这是 aijiau 愿意把旗舰栏写厚的原因——中文社区在热，官方评测几乎全是英文。

下面是自测协议，不是本栏的成绩：

1. 先建金标，再调阈值。 至少 50 条、更好 150–200 条真实工单或对话。简体、繁体、中英夹杂分开标。标签必须是人事先定的 Choice / Score / Noul，不要事后用 LLM 给自己打分。
2. 同一条状态，三种写法对照。 简体、台湾繁体、英文各写一遍同样的问题。记准确率、校准（高置信是否更常对）、以及失败形态：婉转、反问、成语、繁简混合、台湾用词（「伺服器」「汇款」）。
3. 阈值按语种分开。 英文 Noul 0.80 能过的缝，中文可能要升到 0.90 再自动执行，或低置信直接升级。不要假设 confidence 的刻度跨语言可平移。
4. zh-TW 当 CJK 测，不要当「另一个英文」。 目前没有 TypeSafe 发布的繁体专项数字。把 zh-TW / zh-HK 单独成组：正体字、台湾标点、敬语和暗示请求。
5. 高风险缝加第二意见。 支付、删数据、对外发送，中文低置信时升级人工，或把原文译成英文再问一次，两次都过才放行。译文会丢语气，只能当辅证。
6. 写清失败，不要写虚高。 公开只写你测过的集合大小、日期和失败例子。本栏不报准确率百分比。

金标协议与样例见本页 #zh-eval，独立可抓取页是 /jev/zh-eval。v0 样本集扩大中，不编准确率。

本仓的公开语言只有 zh + en。繁体测试指南写在中文栏里，并不等于我们另开了一套 zh-TW 站点。

开源仿品不是 Jev

发布后很快出现社区站点 jevai.dev（解释页，带 OpenRouter 示例，不是 TypeSafe 官网），以及 jevlike、OpenJev、NanoJev 一类开源复刻。它们是研究起点，不是 Jev。不要假设它们有同样的校准、同样的 jaggedness 文档、或同样的 schema 保证。生产决策层要么打 TypeSafe / Aijiau 的 jev，要么把开源复刻当成你自己要评测的另一个模型。

Jev 仍在 early access。置信不是真相。开源克隆的存在，不降低官方模型的责任，也不构成「大家都一样」的借口。

在 Aijiau 上怎么调用

机器文档（状态、鉴权、schema、错误码、计费、三调用面）在 www.aijiau.com/jev/docs。下面复述 2026-09-20 从 api.aijiau.com/jev 读到的产品说明，并更正现网入口：Aijiau POST /v1/systemone 现已上线。当时 api.aijiau.com/jev/docs 是 404，应 301 到 www /jev/docs。

• 鉴权：已登录会话，或本站 sk-...。不要用站外 / 上游密钥。
• 公开模型 id：jev。
• 计费：输入 ¥0.6 / 1M tokens，输出免费。这是 Aijiau 对用户展示的价，不是 TypeSafe 的 $0.042 / MTok。
• 文本为主。官方模型卡把预算写成整次请求约 64k tokens，更紧的闸是 state + 最长问题约 32k。
• 英文是主训语言，中文能跑，但准确率目前较低。上线前用自己的语料看 confidence，不要假设和英文一样准。
• 他们的文档给过 answers 形状示例，并写明那些数字是说明用，不是对本站实时模型的承诺。

完整 curl 和步骤见本页下方调用面。试跑走 Playground，不要再打开 api.aijiau.com/jev。

你现在可以做什么

1. 先读 TypeSafe 的发布文和文档导言，用他们的原语而不是「再包一层 JSON mode」去想问题。
2. 在自己的 Agent 里标出决策缝：路由、选工具、停 / 重试、执行前检查。把开放写作留下给 LLM。规则能写死的，不要交给任何模型。
3. 用 Aijiau 的 sk-... 打 POST /v1/systemone，模型填 jev。不要用 POST /v1/chat/completions 打 jev（400）。协议参照 TypeSafe POST https://api.typesafe.ai/v1/systemone。若走 Vercel Gateway，用 experimental_evaluate 和 typesafe-ai/jev，记住 boolean ≠ noul。
4. 用自己的中文 / 繁体金标测一遍，再定阈值。不要抄英文 cutoff。
5. 人读只留 www.aijiau.com/jev。要选聊天模型而不是决策模型时，再走 api.aijiau.com 控制台。第一次调用的逐步笔记在 第一次打通 POST /v1/systemone。合作写 [email protected]。

后续文档和博客会按专栏同样的规则加：有完整中英稿再上，不放空壳。

材料来源

• Aijiau 现网产品页 https://api.aijiau.com/jev（2026-09-20 读取；该 URL 应 301 到本页）
• Aijiau 机器文档 https://www.aijiau.com/jev/docs（本仓；api 主机上的 /jev/docs 当时 404，应 301 过来）
• TypeSafe，Introducing System One Models & Jev，Diogo Almeida，2026-09-15
• TypeSafe 文档：导言，System One
• TypeSafe 官网产品页（含上游标价与 workflow 倍数）
• Vercel，TypeSafe Jev and the AI SDK（experimental_evaluate，模型 typesafe-ai/jev，boolean 对应 Noul）
• LangChain，Building a Harness with Jev，2026-09-17
• LangChain 集成 langchain-typesafe（TypeSafeClassifier，2026-09-17 alpha）
• 社区解释页 jevai.dev（不是 TypeSafe 官网）

TypeSafe 的速度、价格和倍数是厂商数字。Aijiau 的 ¥0.6 / 1M 与模型 id jev 来自其现网产品页。两者不要混成一张价目表。若任一方文档更新，以该方为准。

// 现网 Aijiau POST /v1/systemone，model 填 jev
// 不要用 POST /v1/chat/completions 打 model jev，现网返回 400
// answers.route.choice · answers.retrieval.score · answers.safe.noul
function nextAction(answers: {
  route: { choice: 'cheap' | 'strong' | 'refuse'; confidence: number };
  retrieval: { score: number };
  safe: { noul: number };
}) {
  if (answers.route.choice === 'refuse' || answers.safe.noul < 0.9) {
    return 'escalate'; // 交给人或规则
  }
  if (answers.route.choice === 'cheap' && answers.retrieval.score >= 2) {
    return 'call_small_model';
  }
  return 'upgrade_model';
}

import { experimental_evaluate as evaluate } from 'ai';

export async function triageTicket(ticket: {
  subject: string;
  message: string;
}) {
  const result = await evaluate({
    model: 'typesafe-ai/jev',
    state: ticket,
    questions: {
      department: {
        type: 'choice',
        instructions: 'Which team should handle this ticket?',
        criteria: {
          billing: 'Charges, invoices, and refunds',
          technical: 'Bugs, outages, and integration failures',
          account: 'Login, permissions, and profile changes',
        },
      },
      urgent: {
        type: 'boolean',
        instructions: 'Does this need attention now?',
      },
    },
  });

  return {
    queue: result.answers.department.choice,
    urgent: result.answers.urgent.probability >= 0.8,
  };
}

from langchain_typesafe import Noul, TypeSafeClassifier

classifier = TypeSafeClassifier()

response = classifier.invoke(
    state=(
        "The deploy failed twice and customers are seeing 500s. "
        "Can someone look now?"
    ),
    questions={
        "urgent": Noul(
            instructions="Does this need attention right now?"
        ),
    },
)

urgency = response.nouls["urgent"].noul

from langchain.agents import create_agent
from langchain_typesafe.experimental.middleware import (
    ModelChoice,
    ModelRouterMiddleware,
)

router = ModelRouterMiddleware(
    choices={
        "fast": ModelChoice(
            model="openai:luna",
            criteria="Direct lookups, extraction, and localized changes.",
        ),
        "powerful": ModelChoice(
            model="openai:sol",
            criteria="Architecture and high-stakes decisions.",
        ),
    },
    instructions="Choose the least costly model that can complete the task.",
)

agent = create_agent("openai:gpt-5.6-luna", middleware=[router])

# Aijiau System One 现网已上线（0.2.1-aijia.99，SHA 8ff42e9）
# POST https://api.aijiau.com/v1/systemone  model: jev
# 协议参照：POST https://api.typesafe.ai/v1/systemone
# 不要用 POST https://api.aijiau.com/v1/chat/completions 打 model jev，现网返回 400
# 把 sk-... 换成你在 Aijiau「API 密钥」里创建的密钥
curl -sS -X POST https://api.aijiau.com/v1/systemone \
  -H "Authorization: Bearer sk-你的Aijiau密钥" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev",
    "state": "用户反馈：付款已经失败三天，订单 ORD-2024-1234，金额 $299，急需处理。",
    "questions": {
      "urgent": {
        "type": "noul",
        "instructions": "这个问题是否紧急？"
      },
      "team": {
        "type": "choice",
        "instructions": "应该由哪个团队处理？",
        "criteria": {
          "billing": "支付、退款、账单",
          "technical": "技术故障、API 错误",
          "sales": "销售咨询、价格"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "用户沮丧程度",
        "criteria": ["平静", "有些不满", "非常愤怒"]
      }
    }
  }'