不写一个字的模型：Jev 把「判断」做成了一次函数调用

先说清楚一件事：如果你打算把 Jev 换到 Claude Code 或者 Cursor 底下去写代码，那是白折腾。TypeSafe 自己的文档专门开了一页讲这个，标题就叫「Jev with coding agents」，第一句话是「Jev 不是那些工具背后 LLM 的替代品」。

它连一个字都不生成。

那为什么 9 月中旬发布之后，这东西在十天里被 Forbes、The Register、InfoWorld、TechCrunch 轮番写了一遍，Vercel 的 CEO 亲自发帖跑分，一堆人用它去玩 Doom、搜机票、给辩论逐句打分？

因为它解决的是另一个问题。

一、它只回三种答案

Jev 的接口简单到有点反常：一个 HTTP 端点，POST https://api.typesafe.ai/v1/systemone，请求体里三样东西——state（要判断的那堆材料）、model（模型名）、questions（一组你自己命名的问题）。

问题只有三种类型，官方叫「原语」（primitives）：

• →Choice：从你给的选项里挑一个。返回选中的那个、每个选项的概率、以及一个 confidence。一个 Choice 最多 255 个选项。
• →Score：按你写的分级量表打分。返回一个概率加权的分值（可以落在两级之间）、每一级的概率、confidence。最多 10 级。
• →Noul：一句陈述是不是成立。返回一个 0 到 1 的数，就是「是」的概率。没有 confidence——这是故意的，后面会讲为什么。

没有第四种。你不能让它写摘要，不能让它返回一段 JSON 里嵌一段自由文本，不能让它解释理由。文档里那句话很直接：「如果你真的需要生成文本……有别的模型干这个。」

代价换来的是一条硬保证：它不会出类型错误。因为可能的输出在请求发出去的那一刻就已经被你枚举完了，模型做的是在这个封闭集合上分配概率，不是在一个几万词的词表上自回归采样。

二、和 LLM 到底差在哪

TypeSafe 在发布博客里列了一张对照表，我把里面能核对的部分摘出来。

训练目标不同。现在的 LLM 走 RLHF（对齐人类偏好）或者 RLVR（对齐可程序化验证的奖励）。Jev 走的是他们自己造的一套，叫 RLCD——Reinforcement Learning for Calibrated Decisions，对齐的是「概率要诚实」。这个词组的重点在 calibrated：说 80% 的那一批里，最后大约有 80% 是对的。

采样方式不同。LLM 是顺序的，一个 token 接一个 token，每个都以前面的为条件。Jev 是并行的，一次请求里所有问题同时出答案。所以官方说「多问几个问题几乎不影响响应时间」——这不是营销，这是架构决定的。

计价方式不同。Jev 只按输入 token 收钱，输出 token 免费。文档原话是「too cheap to meter」。

不确定性的处理方式不同。你让 GPT 自己报一个置信度，它会给你一个数，但那个数跟实际准确率的关系很松。Jev 的 Choice 和 Score 每次都带一个 0 到 1 的 confidence，而且它是从概率分布的形状算出来的——分布越集中越高，越平越低。

一个能做对 95% 的模型，如果它不肯说清楚自己什么时候在那 5% 里，那它就没法自动化这件事。

这句话是 TypeSafe 发布博客里的原话（我译得直白了些）。它其实是整个产品的立论。

三、「把智能当编程原语」是什么意思

这是官方文档反复在讲、但很容易被读成口号的一句话。落到代码上，它的意思是这样的。

你原来会这么干：把一堆上下文塞进 prompt，让 LLM「返回一个 JSON，字段是 category、severity、需要人工吗」，然后写一段解析 + 校验 + 重试的代码去接。这段代码你写过，你知道它有多脏。

Jev 的写法是把这一件事拆成三个独立的问题，一次发过去：

回来的东西长这样（这是官方文档里的响应形状）：

关键差别在最后那一段代码上。决策权没有交给模型，还在你手里。路由用哪条分支、阈值定在多少、三个维度怎么加权——全是你 if-else 里的常数。哪天业务变了，你改的是一个系数，不是重写一段 prompt 再祈祷它别退化。

文档里有个例子我觉得特别说明问题：与其问「给这份创业 BP 打个分」，不如分开问市场规模、技术可行性、差异化三件事，再用你自己的公式合成。优先级一变，改的是系数。

四、为什么是 9 月火的

时间线摆一下。

• →2026-09-15：TypeSafe 发布博客《Introducing System One Models & Jev》上线，作者 Diogo Almeida，公司创始人。他在 OpenAI 期间参与过让语言模型学会跟随指令的那套方法——也就是 ChatGPT 背后的研究。公司隐身了两年。
• →2026-09-16 起：The Register 写了「给机器造的模型，顺便会玩 Doom」；InfoWorld、Forbes、TechCrunch、The Economic Times 陆续跟进。
• →发布后数天内：Vercel、Cloudflare 被报道快速接入；ZenMux 9 月 23 日宣布上架 jev-1.13。

开发者侧的动静比媒体更实在。Vercel CEO Guillermo Rauch 发帖说在他们的命令安全审查场景里，Jev 的 p95 延迟最高比 GPT Luna 快 18 倍，而且更准；但他同一条帖子里说，fx reviewer 那条链路仍然跑在 Luna 上——这个细节比跑分重要。Bryo AI 的 CTO 试了邮件分流，结论是 Gemini 略准一点，但贵 10 到 20 倍。

还有一批纯粹是「原来还能这么用」的：Browser Use 拿 jev-ultrafast 跑了一次苏黎世到伦敦的 Google Flights 搜索，7.1 秒；jevmeter 给一场辩论逐句打分，一场约 0.05 美元；jev-guard 把 Agent 的每一次工具调用判成 deny / ask / allow。

把这些串起来看，火的原因其实很朴素：有一大类活儿，以前必须请一个会写作文的模型来干，现在有了一个专门干这个的，快两个数量级，便宜两个数量级。

五、官方自己承认的那些数字水分

这一节是我写这篇的主要理由。TypeSafe 首页挂着「193.6 倍快、444.6 倍便宜」，很多中文转述会把这两个数直接抄走。原文在「Nuance」小节里自己写了四条限定：

• →这两个数来自他们自己设计的 workflow evals，工作流是他们模型能力团队自己写的，可能有偏向。
• →参考答案取的是 GPT-6 Astra 与 Fable 5.1 的平均值——也就是说基准锚在 OpenAI 和 Anthropic 的模型上。
• →他们明说「我们预期这些数字处在真实收益的高端」。
• →关于价格：「我们无法证明它没有被补贴」。

还有一条更该被转述的：「零幻觉」指的是 schema 一定匹配，不是答案一定对。那个 0% 不是实测出来的，是数学上不可能违反的结构保证。答案照样可能是错的。

录制 demo 里的具体数字是：Jev 0.114 秒、0.000081 美元；GPT-5.6 Terra 8.566 秒、0.013880 美元。

六、它做不好的九件事

官方有一页叫《Jev 1.13 jaggedness》（最后复核日期 2026-09-17），列了九个已知的毛病。这一页比首页的跑分有价值得多，挑五条最容易踩的：

• →字面理解。它回答你写的那个问题，不是你想问的那个。限定词、否定、隐含条件都按字面吃。官方给的判断方法很妙：当你看着一个错答案、开始在心里解释「我其实是想问……」的时候，那段解释就是你漏掉的那半条指令。
• →数数和算术不行。字符数、出现次数、列表长度都不可靠，而且错误随规模变大。要计数就在代码里循环，每项问一个 Noul，自己加。
• →日期比较不行。它把日期当文本读，不当有序量。「哪个更早」「差几天」「在不在窗口内」都不靠谱。正确姿势是让它用 Choice 把年月日各挑出来（每一项都是封闭集合，还能留一个「未提及」），比较交给代码。
• →state 越大越差。塞了跟问题无关的内容会掉准确率。先在代码里检索过滤，只发这个问题要用的字段。
• →对抗内容会被带跑。state 被当数据处理，但它默认不把 state 当敌意输入。注入的指令、刻意误导的措辞、为自己分类辩护的文本，都可能挪动答案。官方说「我们预期未来会改善」——这句话的意思是现在没改善。

另外有一条很容易在生产里翻车：结构不变式不成立。同一个问题写成 Noul 和写成二选一的 Choice，数字可能对不上；一个问题和它的否命题，两个 Noul 加起来不等于 1。官方给的例子里，一个工单上 refund=0.72、not_refund=0.47，加起来 1.19。所以在 Noul 上调好的阈值，不要搬到 Choice 上去用。

七、什么时候用它，什么时候别用

该用的信号很明确：你的代码里有一个 if 判断不出来的分支，而这个分支需要的是常识而不是规则；或者你现在有一段「让 LLM 返回 JSON」的 prompt，正在被解析失败和格式漂移折磨。

别用的信号也明确：

• →需要生成任何文本——摘要、回复、代码、文案。换模型。
• →代码能精确算出来的——金额、天数、计数、去重。别问模型。
• →要做多跳推理、要它权衡好几个独立因素还给你一个综合结论。拆开问，或者换推理模型。
• →你的输入主要是中文，而且没条件先测一轮。官方 Models 页写得很直白：英文是主训练语言，准确率目前最好；包括 CJK 在内的其它语言「能处理，但没有同等水平」，用于非英文任务前请在自己的数据上先测。

最后一条对国内团队尤其要紧。它不是「不能用中文」，是「你得自己验一遍，而且要盯着 confidence 路由」。这件事和成本、和怎么绕开付款与网络，下一篇和第三篇会分别讲。