官方一句话定义：

Jev is a frontier model from TypeSafe AI that takes program state plus a set of typed questions and answers all of them in a single parallel pass — returning structured values with calibrated probabilities instead of generated text.

翻译：Jev 接收一段程序状态 + 一组类型化问题，在一次并行前向里把答案全算出来，返回的不是文本而是带校准概率的结构化值。

它跟 LLM 的根本差别不在「更小」或「更快」，而在输出形态。

对照按公开接口补充了限制条件。[1][2][5][14]

「System One」的命名借用了 Kahneman 的快思考 / 慢思考区分。原文所说“软件里约 80% 的判断都属快判断”是一种产品定位与业务假设，不是这里已经验证的普遍统计规律。[1]

Jev 由 Diogo Almeida 带队，他也是 OpenAI RLHF / InstructGPT 论文的共同作者。首轮 4000 万美元由 DCVC 领投。模型名取自经济学家 William Stanley Jevons——每降一个数量级的成本，解锁一个数量级的需求。TypeSafe 想走「煤变蒸汽」那条曲线。

点击放大

在常规逐 token 自回归解码中，下一个输出依赖已经选出的前文，所以输出越长，通常串行解码步骤越多。这里讨论的是常见实现；推测解码等优化可以让一次大模型验证接受多个 token，不能把“一 token 一次大模型前向”写成绝对定律。[7][8][15]

Jev 把这一刀砍掉。TypeSafe 自研的 parallel sampler，在一次前向里同时把整组问题的全部概率分布算出来。这意味着两件事：

TypeSafe 把这套设计哲学写得很直白：

Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out.

把这句话翻译成工程语言：Jev 不是一个聊天对象，它是一个带概率返回值的远程函数。代码 await 一下，拿到的是可以直接喂给下游 if-else 的对象，不需要 regex 解析字符串。

预先限定答案空间，可以从构造上排除空间之外的值。TypeSafe 将其描述为类型安全保证。它限制的是返回结果的类型，不是判断必然正确、请求永不超时或下游操作永远安全。[1][2]

为了对比 LLM 在生产环境里的「格式抽风」有多频繁，TypeSafe 给了一张图：

点击放大

原截图给出的对比数字是：Jev / luna / terra / sol 的结构化输出错误率为 0%，sonnet 5 为 13.2%，haiku 4.5 为 46.5%；工具调用错误率从 Jev 的 0%、opus 5 的 0.67% 到 sol 的 17.0%。这些是原图引用的特定口径，不宜推广成所有模型、所有配置的错误率。严格结构化输出配置与普通文本生成也应分开比较。[14]

聊到「为什么 Jev 的概率可信」，必须看 TypeSafe 自创的 RLCD（Reinforcement Learning for Calibrated Decisions）。

训练目标和输出约束是不同维度，不能视为互斥的五种模型。[1][4][6][14]

RLCD 的关键不在「又多了一种对齐方法」，而在它把「模型自称多自信」变成了优化目标的一部分。TypeSafe 写得很直接：

Calibration is a group property: it does not guarantee any single answer is correct. Jev can still be wrong.

校准可以这样理解：在足够多、可比较的预测里，报出 80% 概率的一组事件，应当约有 80% 发生。这是群体性质，不是某一个答案必然正确。原截图进一步写成“RLCD 优化批次级 Brier score”，但本次查阅的官方介绍没有给出足以确认这一具体训练损失的公式。[4]

真正应该分开的，是格式约束、决策准确性、概率校准和任务泛化。严格 Schema 能约束输出；分类器也可以返回并校准概率。Jev 的产品目标是把动态问题、类型化接口与校准概率整合起来，而不是首次发明分类或置信度。[3][4][6][14]

点击放大

Jev 的 API 极其克制——整个 API 只有三种问题类型。

Choice 的实战要点：显式塞一个 other 选项，让模型能说「这些都不对」，避免硬猜。

TypeSafe 在文档里把 Jev 形容为「a smart if-statement」——能处理自然语言输入、但输出类型安全的智能 if。一个工单来了，一通请求里同时问：

三件事在 70–500 毫秒里一次性返回，延迟几乎不随问题数量增长。下游代码就能直接拿这些类型化字段做分流：

results = jev.query([
    Choice("team", ["billing", "tech", "sales"],
           allow_other=True),
    Score("frustration", levels=[1, 10],
          anchors={1: "calm", 10: "furious"}),
    Noul("refund_asked")
])

if (results.team == "billing"
        and results.frustration > 7
        and results.refund_asked > 0.8):
    auto_escalate(results)
elif results.confidence < 0.7:
    route_to_human(results)

原文伪代码：保留跨页示例，不是经过验证的 SDK 调用。实际响应按问题分别返回；不要假设存在整批共享的 results.confidence。下方补充真实字段关系。

点击放大

# pip install typesafe-sdk   （Python 3.10+）
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()  # 读取 TYPESAFE_API_KEY，默认模型 jev-latest

response = client.system_one(
    state="Hi, I've been trying to connect my Stripe account for 3 days "
          "and the integration keeps failing. I'm losing sales.",
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
                "sales": "Pricing or account questions",
            },
        ),
        "frustration": Score(
            instructions="How frustrated the customer appears",
            criteria=[
                "Calm, just stating facts",
                "Frustrated but civil",
                "Very angry, strong language",
            ],
        ),
        "is_urgent": Noul(
            instructions="The message conveys urgency or time-sensitivity",
        ),
    },
)

dept = response.answers["department"]       # .choice / .probabilities / .confidence
level = response.answers["frustration"]     # .score / .legend / .probabilities / .confidence
urgent = response.answers["is_urgent"].noul  # 命题为真的概率，没有单独的 confidence

TypeSafe 的 PR 数字很漂亮，但每条都自带 caveat。

最值得拆开的两条：

193.6× 和 444.6× 怎么算的？

这两个数字来自 TypeSafe 自家发的 4 个 workflow 评测：用 GPT-6 Astra 和 Fable 5.1 的平均概率作为参考答案，所有模型跑同一段工作流。这意味着：

~68% 不是一个标量

拆开看，最高 ~74%，最低 ~40%。平均落到 68%，并不是说 Jev 在任何任务上都接近 Opus 5——这是分布的事，不是标量的事。

唯一一条「硬」声明是 0% 结构化错误率。Schema 匹配是 Jev 调用合同的一部分，schema 外的内容在输出空间里物理上不存在。TypeSafe 主动开放早期接入接受反例验证。这种「主动设置反例」的态度比「我们 0% 错误」更可信。

点击放大

更直观的视觉证据，是 TypeSafe 自己画的帕累托图：

点击放大

原文给出的解读是：花 444 倍的成本，大约换 5 个百分点的准确率——这是「444.6×」的视觉来源，但 caveat 同样存在：参考答案是 Astra + Fable 平均，workflow 是自家写的。

整理注：第 10 页图注中“不到 0.0001 的成本，680.3 成本上才能跑到 ~73%”一带有可见排版缺失。此处只整理可读部分，未补猜缺失的公式；完整截图仍可对照查看。

Jev 不是 Coding Agent 的对手，它站在 Coding Agent 的正前方。

Claude Code / Codex / OpenCode 这一类 Coding Agent 擅长长链路推理：读仓库、写代码、改 bug、跑测试。每个动作背后通常要消耗一次完整的大模型推理，几秒到几十秒。真实业务的 Agent 流水线里，真正需要这种慢思考的步骤往往不到 10%，剩下 90% 都是「这条工单给谁」「是不是退款请求」「这两段代码有没有重复」这种小判断。

Jev 给的模式是：先让 Jev 廉价、并行、高频地把这些小判断全部跑完，再把置信度高的小决策直接执行，把置信度低的少数案例推给 Coding Agent 或人工。这就是官方说的 confidence-gated routing——按错误代价设置分级阈值：

每档阈值可按业务风险单独调，不需要整个系统共用一个「准确率」门槛。

原始输入（工单 / PR / 交易）
    ↓
Jev：路由 / 分类 / 风险分级 / 状态检查
    （70–500 ms，廉价）
    ↓
确定性代码处理能处理的
    （if / 表查询 / 数据库写入）
    ↓
Coding Agent / Sonnet 5 / Opus 5
    处理少数复杂分支
    ↓
人工兜底

TypeSafe 给出的官方承诺是「把昂贵的大模型调用压缩 90%+」——前面 90% 的小判断都被 Jev 用 $0.0001 一条的成本吃掉，剩下能进 Coding Agent 的，已经是被 Jev 预筛过的少数疑难。

一个有意思的官方 demo 是 register Doom——让 Jev 实时读 Doom 游戏状态数据结构、每秒做 10 次决策，算出下一步该按什么键的 AI 玩家，每小时成本约 7 美元。这件事有意思的地方不在 Doom，而在于 Jev 的输入是「结构化的程序状态」——它不读图像，只读结构化字段，Doom 状态序列化成 JSON，Jev 在 JSON 上做 System One 决策。

点击放大

const request = {
  model: 'typesafe-ai/jev',
  state: 'I was charged twice and cannot sign in.',
  questions: {
    intent: {
      type: 'choice',
      instructions: 'Which team should handle this?',
      criteria: {
        billing: 'Charges and refunds',
        account: 'Sign-in and account access',
      },
    },
  },
  providerOptions: {
    gateway: {
      models: [
        // intent 的 confidence 低于 0.6 时，用另一个模型重跑
        { model: 'openai/gpt-6-astra',
          when: { question: 'intent', confidenceBelow: 0.6 } },
      ],
    },
  },
};

const result = await client.systemOne(request);

Jev 最让我意外的设计不是快、不是便宜，是它把不确定性当成了一等公民。

仅通过提示词要求“给出 0–1 置信度”，不能证明该数字已经在目标业务上校准。TypeSafe 的训练目标是让概率更能反映不确定性；但这仍需在实际数据与任务分布上评估，不能理解为模型从此不会过度自信。[4][5]

现实意义是：代码可以显式利用不确定性来决定继续、复核或请求澄清。if confidence > 0.9 是路由规则，不是安全证明。阈值还应由错误代价、权限要求与实际验证结果决定。[5]

官方博客里有一个具体例子——一个安全告警的 4 阶段 workflow：

点击放大

记录每次调用的输入版本、候选项、概率、阈值和执行结果，可以让路由规则接受审计。概率能说明“程序依据什么分支”，却不能完整解释“模型为什么这样理解”。可追溯的决策记录，不等于完整的因果解释或正确性证明。

点击放大

Diogo Almeida 在 OpenAI 时和团队一起做了 RLHF 和 InstructGPT——也就是 ChatGPT 的学术骨架。他自己的反思很直白：

Models have been superhuman at chat for years, so where is all the automation?

他出走 OpenAI 后隐身两年，TypeSafe AI 拿到 DCVC 领投的 4000 万美元，最终交付的不是「更强的 chat」，而是「砍掉 chat」。

这件事的产业信号是：当前沿大模型的边际叙事空间正在变窄——Anthropic 在 2 万亿估值路上讲「放慢 capability」、OpenAI 在 1.2 万亿下一轮里讲 reasoning 极限、DeepSeek 把 token 价格打到地板——Jev 不是「又一匹更快的马」，而是「我们不要马车」，它直接砍掉「AI 必须会写句子」这个隐含假设。

注意时间点与对照：2026-09-12 Anthropic CEO Dario Amodei 发文呼吁放慢 frontier capability 提升；2026-09-15 TypeSafe 发布 Jev，砍掉自回归；2026-11（计划） Anthropic 推迟到 11 月 IPO。这是同一波 AI 资本叙事的两个方向——safety 资本叙事 vs System One 资本叙事。

对开发者来说，TypeSafe 这条线的真正信号是：System One 这层抽象，可能和 System Two 一样，是一个值得长期下注的方向。Jev 在做的事情，本质上是把 frontier AI 拆成两层：System Two 由 Sonnet 5 / Opus 5 / Astra 继续卷，System One 由 Jev / 未来更多 System One Model 单独成为一个赛道。

点击放大

最底下「从『聊得更好的模型』转向『软件能直接调用的决策器』」是这张图想传达的产业判断——这不是参数规模的又一轮军备竞赛，而是 AI 范式的一次重新分岔。