Jev 是什么？
Jev 是一个决策模型。 语言模型写出的文字还得由你去解析，而 Jev 接收一段文本加上一份带类型的问题表，为每个问题返回一个带类型的答案——一个概率、一个具名选项，或者量表上的一个位置——每一个都附带一个校准过的数值。它由 TypeSafe 打造，通过 HTTP API 访问，并且不可能返回你定义范围之外的值。
它为什么不是语言模型
大语言模型产出的是 token；返回内容的形状只是一种期望，而非保证，所以用它来做决策的应用最后都被解析和重试包裹起来。Jev 产出的是你指定类型的值。没有东西需要解析，也没有格式错误的情况要处理——取代重试循环的，是一个在模型_不确定_时才触发的分支，而那是另一回事，也有用得多。
Jev 对比大语言模型 →三种形状，别无其他
数字
这些是 TypeSafe 公布的；是厂商自己的数据，不是我们的测量。
70–500 毫秒
端到端响应，而前沿模型是 3–329 秒
$0.042
每百万输入 token，输出免费
64k token
每次请求的上下文
免费
输出 token
常见问题
- 什么是「系统一模型」？
- 一个为判断而不是为散文而造的模型。Jev 接收一个 state 加一组类型化问题，为每个问题返回一个类型化答案——没有流式 token，没有需要解析的东西，也没有办法吐出你定义范围之外的值。TypeSafe 的说法是：系统一负责快速的结构化判断，而当你真的需要语言时，普通大语言模型作为系统二。
- 置信度是什么意思？
- Choice 和 Score 的答案带一个由概率分布推出的置信度：分布集中意味着确定，分散意味着模型分不开这些选项。它是第二个维度——答案告诉你「是什么」，置信度告诉你「要不要动手」。Noul 答案没有置信度字段，因为概率本身已经承载了它：0.51 就是模型在说它不知道。
- Jev 会产生幻觉吗？
- 在输出的形状上不会。Choice 只可能返回你定义过的选项；Score 只能落在你的量表之内；Noul 是 0 到 1 之间的一个数。它仍然可能读错你的文本——而置信度正是为此存在的。
- 为什么叫 Jev？
- 取自经济学家威廉·斯坦利·杰文斯。TypeSafe 的发布文章说，他们预期机器智能会走上蒸汽机变高效之后煤炭走过的那条路——也就是杰文斯悖论：让一样东西用起来更便宜，会让它被用得更多，而不是更少。
- 我能在本地跑 Jev 吗？它开源吗？
- 不能。Jev 是通过 TypeSafe 的 HTTP API 访问的专有托管模型；没有公开可下载的权重，而且所有账号用的是同一套权重——它不会按客户做微调或 LoRA 适配。你是通过请求来塑造它的答案：你放进 state 的内容，以及你怎么写每个问题的 instructions 和 criteria。
- Jev 有多快？
- TypeSafe 给出的数字是端到端 70–500 毫秒，而前沿模型是 3–329 秒，在它擅长的那类查询上快 40–200 倍。这些是厂商自己的数据。本站能从自己的日志里说的是：一次九问请求通常在几百毫秒内返回——每个结果页都会显示那一次调用实测的往返时间。
- Jev 多少钱？
- jev-1.13.0 每百万输入 token $0.042，输出免费——没有自回归解码可计量。因为 state 只读一次、所有问题并行评估，问十件事的花费和问一件差不多。本站每个结果页都会打印那次调用确切的 token 数和费用。
- Jev 是怎么训练的？
- 用 TypeSafe 称为 RLCD 的方法——面向校准判断的强化学习。它宣称的目标和 RLHF 或 RLVR 不同：不是人更喜欢的答案，也不是能通过检查器的答案，而是概率在认知上诚实的答案。这正是置信度值得拿来设阈值、而不只是装饰的原因。
- 有哪些限制？
- 只接受文本——不支持图像、音频或视频。每次请求 64k token，其中 state 加最长的那个问题必须装进 32k。一个 Choice 最多 255 个选项；一个 Score 是 2 到 10 个等级。早期访问的速率限制是每秒 250,000 token、每分钟 1,200 次请求，TypeSafe 提醒这些会变。