運作原理

整個請求

state 由你提供——就是你貼上的東西。問題由鏡頭提供。Jev 為每個問題回傳一個型別化答案，用同樣的 id 當鍵。

{
  "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?",
                    "criteria": { "billing": "Payments, invoicing, refunds",
                                  "technical": "Bugs, outages, integrations",
                                  "sales": "Pricing, upgrades, new accounts" } },
    "frustration":{ "type": "score",  "instructions": "How frustrated is the customer?",
                    "criteria": ["Calm", "Frustrated", "Very angry"] }
  }
}

圖形如何對應答案

Choice → 環圈圖

機率之和為一，所以環在這裡是誠實的：它確實是部分與整體的關係。圖例把每個選項連同精確數值再列一遍，因為環圈圖不擅長表現勢均力敵，而數字擅長。

Score → 量表條

條帶是你依序寫下的等級；指針落在機率加權值上，所以它通常停在兩級之間。下方的長條顯示機率質量如何分布——來自一個尖峰的 2.0 和來自兩個相距很遠的峰的 2.0，是截然不同的答案。

Noul → 刻度條

一個比值對著一個上限，所以它配的是刻度條而不是圖表。中間那條灰帶標出模型實際上在說「我不知道」的區間——0.51 絕不該被讀成「是」。

鏡頭

每個鏡頭只是一組固定的問題，用來展示 Jev 能力的不同面向。你也可以自己寫。

• 訊息透視

  這則訊息到底在要求你做什麼？

  9 個問題

• 工單分流

  在人打開工單之前就把它路由好。

  9 個問題

• 護欄

  在提示詞抵達你的模型之前先篩一道。

  9 個問題

• 草稿評閱

  寄出去之前，對這份草稿的九項解讀。

  9 個問題

• 評論解碼

  一則使用者評論真正在告訴你什麼。

  9 個問題

• 缺陷分流

  嚴重程度、所屬模組，以及有沒有人能重現。

  9 個問題

• 標題鏡頭

  一則新聞是被怎麼框起來的。

  9 個問題

• 提案體檢

  投資人或客戶會不會接著讀下去？

  9 個問題

常見問題

什麼是「系統一模型」？

一個為判斷而不是為散文而造的模型。Jev 接收一個 state 加一組型別化問題，為每個問題回傳一個型別化答案——沒有串流 token，沒有需要解析的東西，也沒有辦法吐出你定義範圍之外的值。TypeSafe 的說法是：系統一負責快速的結構化判斷，而當你真的需要語言時，普通大型語言模型作為系統二。

為什麼一切都在一次請求裡跑完？

Jev 只攝入一次 state，然後平行地對每個問題作答。十個問題放在一次呼叫裡，輸入 token 大約只花一次呼叫的量而不是十次，耗時也和一次差不多。這就是為什麼這裡的每個鏡頭一次問九件事，而不是把提示詞串起來。

信賴度是什麼意思？

Choice 與 Score 的答案帶一個由機率分布推出的信賴度：分布集中代表確定，分散代表模型分不開這些選項。它是第二個維度——答案告訴你「是什麼」，信賴度告訴你「要不要動手」。Noul 答案沒有信賴度欄位，因為機率本身已經承載了它：0.51 就是模型在說它不知道。

Jev 會產生幻覺嗎？

在輸出的形狀上不會。Choice 只可能回傳你定義過的選項；Score 只能落在你的量表之內；Noul 是 0 到 1 之間的一個數。它仍然可能讀錯你的文字——而信賴度正是為此而存在。

為什麼叫 Jev？

取自經濟學家威廉·斯坦利·傑文斯。TypeSafe 的發布文章說，他們預期機器智慧會走上蒸汽機變高效之後煤炭走過的那條路——也就是傑文斯悖論：讓一樣東西用起來更便宜，會讓它被用得更多，而不是更少。

我能在本機跑 Jev 嗎？它開源嗎？

不能。Jev 是透過 TypeSafe 的 HTTP API 存取的專有託管模型；沒有公開可下載的權重，而且所有帳號用的是同一套權重——它不會按客戶做微調或 LoRA 調適。你是透過請求來形塑它的答案：你放進 state 的內容，以及你怎麼寫每個問題的 instructions 與 criteria。

Jev 有多快？

TypeSafe 給出的數字是端到端 70–500 毫秒，而前沿模型是 3–329 秒，在它擅長的那類查詢上快 40–200 倍。這些是廠商自己的數據。本站能從自己的紀錄裡說的是：一次九問請求通常在幾百毫秒內回來——每個結果頁都會顯示那一次呼叫實測的往返時間。

Jev 多少錢？

jev-1.13.0 每百萬輸入 token $0.042，輸出免費——沒有自迴歸解碼可計量。因為 state 只讀一次、所有問題平行評估，問十件事的花費和問一件差不多。本站每個結果頁都會印出那次呼叫確切的 token 數與費用。

Jev 是怎麼訓練的？

用 TypeSafe 稱為 RLCD 的方法——面向校準判斷的強化學習。它宣稱的目標和 RLHF 或 RLVR 不同：不是人更喜歡的答案，也不是能通過檢查器的答案，而是機率在認知上誠實的答案。這正是信賴度值得拿來設門檻、而不只是裝飾的原因。

有哪些限制？

只接受文字——不支援影像、音訊或影片。每次請求 64k token，其中 state 加最長的那個問題必須裝進 32k。一個 Choice 最多 255 個選項；一個 Score 是 2 到 10 個等級。早期存取的速率限制是每秒 250,000 token、每分鐘 1,200 次請求，TypeSafe 提醒這些會變。

我貼上的東西會怎樣？

它會被送到 TypeSafe 進行評估，並存進本站資料庫，好讓結果有一個永久連結。公開的執行會出現在「瀏覽」與搜尋引擎裡。不公開列出的執行同樣會被儲存，但不進入「瀏覽」與網站地圖，並帶 noindex 標頭回傳——連結對你給出的人依然有效。無論哪一種，都別貼敏感內容：這是一個公開示範。

這個網站會說哪些語言？

介面、鏡頭庫與每一頁說明都以 32 種語言發布，可以從頁首切換，也會跟隨瀏覽器的語言設定。你貼上的內容一字不改，Jev 用它原本的語言讀它——每個鏡頭背後的問題在所有語言下都以英文送出，所以無論用哪種語言執行，一次執行的含義都一樣。

這是 TypeSafe 營運的嗎？

不是。Dejev 是一個獨立示範，用來展示把 Jev 的輸出畫出來是什麼樣子。模型、API 與文件都屬於 TypeSafe。

深入了解

模型、定價、粗糙的邊角，還有一長排 cookbook，都在 TypeSafe 自己的文件裡。