Jev 全面开放：TypeSafe 取消等待名单，注册送 $5 额度约 1.2 亿 Token

结论先行：TypeSafe AI 于 2026 年 9 月 20 日宣布，其旗舰模型 Jev 正式面向全体开发者开放——取消等待名单，新注册账号直接获得 5 美元免费额度。按官方输入价 0.042 美元／百万 Token 折算，这 5 美元约等于 1.2 亿 Token 的调用量。一个把「机器决策」当成独立品类来做、并且拒绝生成任何文字的模型，从今天起不再需要申请就能上手。

这也是 Jev 从 Early Access 走向 GA 的一步。此前开发者必须提交申请、等待审批才能拿到 API Key；现在注册即用。

先回顾：Jev 是一个「不写字」的模型

大模型默认的工作方式是自回归地预测下一个 Token，直到生成一段文本。Jev 明确拒绝这份工作说明书：它读取一段非结构化状态（工单、邮件、diff、转录文本等），对着预先定义好的问题集合，返回类型化的答案 + 校准过的概率，一个字的自由文本都不输出。

TypeSafe 把它归类为 System One Model——取名自「思考，快与慢」里那套快速直觉系统，对应的场景就是软件里那些高频、琐碎但必须做的判断：分类、路由、打分、分流、兜底审查。

模型名 Jev 来自经济学家 William Stanley Jevons，即那个「越便宜用得越多」的杰文斯悖论；公司 CEO Diogo Almeida 是前 OpenAI 研究员，参与过 ChatGPT 与 RLHF（基于人类反馈的强化学习）的早期工作。

全面开放后，到底变了什么

值得注意的是「输出 Token 免费」这件事为什么成立：Jev 根本不产生输出 Token。它返回的只是预定义答案空间上的概率分布，体量小到可以直接定价为零。这也是它能把成本压下来、并且从结构上杜绝「编造事实」的原因——模型无法输出它没被允许输出的内容。

三种问题类型就是全部词汇表

Jev 的接口词汇非常小，只有三种题型，可以在一次请求中混用、并行独立评估：

调用形态大致如下（官方 SDK 为 Python 与 TypeScript 两套）：

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient(model="jev-1.13")

result = client.system_one(
    {"ticket": ticket_text},
    {
        "refund": Noul(instructions="Is the customer asking for a refund?"),
        "team": Choice(options=["billing", "shipping", "engineering"]),
        "mood": Score(levels=["calm", "annoyed", "furious"]),
    },
)

落到 HTTP 层面就是一个端点：

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Help! My payouts have been failing for 3 days.",
    "model": "jev-latest",
    "questions": {
      "is_urgent":  {"type": "noul",   "instructions": "Does this convey urgency?"},
      "department": {"type": "choice", "instructions": "Which team should handle this?",
                     "options": ["billing", "shipping", "engineering"]}
    }
  }'

关键在「校准」二字。TypeSafe 用一套叫 RLCD（Reinforcement Learning for Calibrated Decisions） 的方法训练，借助 Brier score 这类恰当评分规则对齐可验证的真值，目标是：当 Jev 报出 85% 置信度时，它大约 85% 的情况下是对的。这一点直接决定了工程上能不能用阈值来分流——高置信度自动执行，中间区间人工复核，低置信度转人工。

成本怎么算：一百万张工单约 21 美元

定价是这轮讨论的焦点。输入 42 美元／十亿 Token，即 0.042 美元／百万 Token，输出免费。按这个单价做一个算例：

同一层级的分类型任务如果用前沿大模型来做，成本会是另一个量级。除了单价，另一笔隐性收益来自结构本身：输出是类型化的，代码可以直接读取，不需要再写一层 JSON 解析与容错兜底——那层「防解析失败」的样板代码，本身就是延迟与故障的来源。

性能数据要看清口径

官方给出的区间是：端到端 70–500 毫秒（典型约 150 毫秒），在 TypeSafe 自己定义的 System One 任务上比前沿通用模型快 40–200 倍、便宜 40–400 倍。更具体的一组演示数据是 0.114 秒对 8.566 秒、0.000081 美元对 0.013880 美元；TypeSafe 称其输入成本比 Claude Fable 5.1 低 238 倍。

需要如实说明的是：这些数字全部来自 TypeSafe 自建评测，官方在发布时也承认参考真值取自 GPT-6 Astra 与 Fable 5.1 输出的平均。目前尚无第三方独立复现，官方文档里也没有公布准确率数字。另外限流为 250,000 Token／秒与 1,200 请求／分钟，官方注明这两个数值可能会随时调整。

生态接入情况

Jev 本身是闭源的托管 API，不提供权重，所有账号使用同一套权重，也不能微调——要引导它只能靠 state 内容和问题措辞。接入渠道目前包括：自有的 Python SDK（pip install typesafe-sdk）与 JavaScript／TypeScript SDK（@typesafe-ai/sdk）、Vercel AI Gateway（模型标识 typesafe-ai/jev）、Cloudflare Workers AI（typesafe/jev）。官方还放出了一个开源适配器，可以把普通 LLM 包装成同样的 System One 接口，方便在做替换对比时保持调用层不变。

热度方面，据媒体报道，Jev 发布后 5 天内开发者已建起 3000 多个 GitHub 仓库做探索；发布当天流量过大还出现过短暂的 API 抖动。

它做不了什么：使用前必须知道的边界

• 不生成文本：不能聊天、写稿、写代码，工作说明书里没有这一项。
• 不能算术：官方文档明确指出，Jev 无法计数、比较日期或做算术运算。
• 只吃文本：不支持图像、音频、视频输入。
• 上下文 64k：其中 state 与最长问题合计上限 32k，约 15 万字符。
• 非英语能力较弱：以英语为主，中文、日文等 CJK 输入可以接受，但官方文档称「目前准确率较低」。
• 无参数公开：参数量未披露，Closed API，不可自部署。

定位上它不是推理模型的替代品，而是一个组件。最典型的用法是「便宜快速的校准门卫」：放在昂贵模型前面，判断这次请求要不要动用大模型、生成结果是否安全可发布、这份文档该进哪条流水线。这其实是一种双速架构——高频低价值的判断下沉到专用小模型，深度推理留给真正需要的地方。

常见问题（FAQ）

Q1：现在注册要花钱吗？

不需要。取消等待名单后直接注册即可，新账号赠送 5 美元额度，按 0.042 美元／百万输入 Token 折算约合 1.2 亿 Token，足够完成一轮完整的业务验证。

Q2：Jev 能替代我现在的分类模型或正则规则吗？

可以覆盖很大一部分，但要看任务性质。如果判断对象是自然语言、且需要概率化的置信度来分流，Jev 比手写规则更稳；如果只是字符串匹配或纯数值判断，继续用规则更划算。注意它不能做算术，涉及金额计算、日期比较的逻辑必须留给代码。

Q3：中文场景能用吗？

可以用，但要留出准确率折扣。官方文档说明 CJK 输入目前准确率偏低，建议先用自有中文样本跑一轮评测，再决定是否把阈值分流逻辑接进去。

小结

「取消等待名单」这个动作本身看起来不大，但对 Jev 这类定位特殊的模型来说，它是从「需要申请的实验品」变成「随手可试的组件」的分界线。过去一周开发者已经用 3000 多个仓库表达了兴趣，现在唯一挡住试用的门槛也没了，还附赠 5 美元额度。

如果你正在维护一套靠 LLM 做分类、路由或兜底审查的流水线，值得花半小时把其中一个分支换成 Jev 跑一跑——成本对比几乎是量级差异。只是记得两件事：性能倍数是厂商口径，需要自己验证；以及凡是要算数的地方，别交给它。

消息来源：TypeSafe AI 官方公告（2026 年 9 月 20 日，@typesafeai）；TechCrunch 2026 年 9 月 18 日报道；TypeSafe AI 官方文档；模型背景详见站内早前报道《TypeSafe AI 发布 Jev：首个 System One 决策模型，自动化任务最高提速 193 倍》。

相关阅读

围绕 Jev 与 System One 决策模型这条线，站内还有几篇可以接着看：

• Jev 使用案例实战教程：7 类场景 + Choice/Score/Noul 代码示例与置信度阈值
• TypeSafe AI 发布 Jev：首个 System One 决策模型，自动化任务最高提速 193 倍
• Laya 开源决策模型 vs Jev 对比：32.8ms 推理快 7.8 倍，Apache 2.0 权重可自托管