2026 年 9 月，TypeSafe AI 正式发布旗下首个 System One 模型 Jev。它不是又一个聊天机器人，而是一个专为软件系统自动决策设计的 AI 模型：输入程序状态和预定义问题后，直接返回结构化决策结果及置信度概率，供软件继续执行后续逻辑。
Jev 是什么：面向机器的决策模型
当前主流大语言模型（LLM）以生成长文本见长，但软件系统中大量需要的是「判断」而非「写作」：这条客服工单该转给谁？这个用户请求风险有多高？该调用哪个工具？让通用 LLM 处理这类任务，往往需要解析自由文本输出，既慢又不可靠。
TypeSafe AI 将 Jev 定义为「面向机器」的 AI 模型，与「面向人类」的对话模型形成互补。它不按 Token 顺序生成文本，而是输出软件可直接读取的类型化结果和概率，开发者可按置信度设置阈值：高置信度自动执行，低置信度转人工审核。
Jev 支持三类核心决策
| 决策类型 | 功能 | 典型场景 |
|---|---|---|
| Choice | 从多个候选项中选出最合适的结果 | 客服工单分流：销售、技术支持还是退款流程 |
| Score | 输出连续评分 | 紧急程度、风险等级、内容质量评估 |
| Boolean | 判断条件是否成立并返回概率 | 内容审核、合规检查、结果验证 |
多个问题还可在一次请求中并行处理，进一步降低延迟。
RLCD：面向校准决策的训练方法
TypeSafe AI 为这类模型提出了专门的训练方法 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）。与普通 RLHF 优化「回答质量」不同，RLCD 同时优化决策本身的准确性和概率校准——即模型给出的置信度要真实反映判断正确的可能性，这对自动化流程的安全落地至关重要。
性能与定价
- 输入价格：每 10 亿 Token 42 美元，约合 0.042 美元/百万 Token
- 速度与成本：TypeSafe 自有工作流测试显示，部分 System One 任务最高可达 193.6 倍速度提升和 444.6 倍成本降低（注意：数据来自 TypeSafe 自建评测，仅代表其特定自动化任务场景）
- 开放程度：目前处于 Early Access 阶段，参数规模和模型权重均未公开
适用场景
基于其类型化输出和概率校准特性，Jev 特别适合以下自动化场景：
- AI Agent 工具选择：根据任务语义从工具库中路由到正确的工具
- 工作流分支：替代传统规则引擎，处理语义模糊的分支判断
- 风险与合规判断：对请求、内容做实时风险评分，低置信度自动升级人工
- 模型输出验证：用第二个模型交叉验证 LLM 生成结果是否可信
如何接入
2026 年 9 月 16 日起，Vercel AI Gateway 已支持 Jev，开发者可通过 typesafe-ai/jev 直接调用，无需单独申请 TypeSafe 账号。
常见问题（FAQ）
Jev 会取代通用大语言模型吗？
不会。Jev 定位是软件系统内部的「决策单元」，处理分类、评分、路由等封闭式判断；而内容创作、多轮对话、复杂推理仍需要通用 LLM。两者是互补关系，典型架构是用通用模型生成内容，用 Jev 做路由和校验。
Jev 的输出是纯文本吗？
不是。Jev 返回结构化结果和概率，软件可直接读取使用，无需解析自然语言，这显著降低了集成成本和出错率。
Jev 开源吗？
目前不开源。模型处于 Early Access 阶段，参数规模与权重均未公开，只能通过 API 调用。
小结
Jev 代表了 AI 模型分工细化的新方向：当通用大模型越来越强，「让合适的模型做合适的事」的分层架构正在成型。对于构建 AI Agent 和自动化工作流的开发者，System One 模型值得纳入技术选型清单。
消息来源：aihub.cn 资讯、TypeSafe AI 官方。