TypeSafe AI 发布 Jev：不写文本，只返回“带类型的概率决策”
由前 OpenAI 研究员创办的 TypeSafe AI 推出了 Jev 模型，它不生成文字，而是针对调用方提出的问题直接返回带类型的概率化答案，让程序据置信度决定执行还是升级处理。发布两天内 Vercel、Netlify、LangChain 相继接入，开发者实测提速约 7 倍、省成本约 30 倍，但也有人提醒：不产生非法类型不等于不犯错。
一个只做判断、不写字的模型
旧金山 AI 实验室 TypeSafe AI 发布了 Jev，这是其所谓 “System One Models” 系列的首款产品。与常见的大语言模型不同，Jev 不生成文本，而是返回带类型的概率化决策，软件可以直接据此采取行动。
调用方式很直接：发送一段状态信息（字符串或结构化数据），再加上一组带类型定义的问题。Jev 会在一次并行处理中全部评估完，返回三类答案——Choice（单选）、Score（评分）、Noul（布尔概率），并附带概率分布和置信度。于是调用方可以在置信度高于阈值时直接执行操作，低于阈值时交给人工或上层逻辑处理。
成本与规格方面：输入每百万 Token 0.042 美元，输出免费，上下文窗口 32000 Token，官方给出的端到端延迟为 70 毫秒至 500 毫秒。训练方法名为“校准决策强化学习”（Reinforcement Learning for Calibrated Decisions），重点在于让输出的概率尽可能贴近真实情况。
生态接入速度快得出人意料
Vercel 在 Jev 发布第二天就把它接入了 AI Gateway，并称 24 小时内已覆盖近 13% 的付费团队，是 GPT-5.6 系列模型的两倍。Netlify 随后跟进；LangChain 发布了 TypeSafeClassifier 集成，支持模型路由，并提供一个 AutoMode 中间件，可在工具调用真正执行前先做筛查。几天内还出现了五个独立的 Elixir 客户端。
实测：更快、更便宜，但准确率因场景而异
Vercel 工程师 Pranit Sharma 发现，安全分类器的运行速度比它替换掉的 LLM 快 5 到 18 倍。Bryo AI 的 CTO Nikhil Mudholkar 则指出，Gemini 在邮件分类上的准确率略高，但成本高出 10 到 20 倍；他选择 Jev 的理由是它是唯一能返回真实概率的模型。
Earendil 的 CTO Armin Ronacher 在接受 TechCrunch 采访时表示，这种设计“在一定程度上把幻觉问题交给了用户”——因为 50% 的概率到底值不值得动手，需要调用方自己判断。他还认为模型路由是另一个非常合适的应用场景。
OpenChamber 对 12759 条发布相关推文做了分析，结果显示：用户报告的速度提升中位数为 7 倍（远低于官方宣称的 193.6 倍），成本节省中位数 30 倍，延迟中位数 76 毫秒、上四分位数 270 毫秒。
社区评价也呈两极：Reddit 上有开发者称该模型在 200 到 300 毫秒延迟下处理智能体任务的表现“绝对疯狂”；Hacker News 上一位早期体验用户称其“非常巧妙”，同时提醒它在分布外（out of distribution）场景下的表现会与 LLM 不同。
争议点：“不会幻觉”说得太满
Hacker News 上有开发者指出，Jev 虽然不会输出无效的类型，但仍然可能输出完全错误的合法值：
首先，祝贺团队发布了真正有趣且新颖的东西。不过更准确的标题或许是“Jev：用通用生成能力换取快速的类型化推理”。速度对比也容易误导——能写图灵完备代码的生成式模型，理论上可以完成计算机能做的一切；而 Jev 只能产出结构化输出。这对分类、路由、评分很有用，但它和今天用于代码与自动化的生成模型不是一类东西。另外，“不会产生幻觉”的说法似乎不准确：它确实不会输出非法类型，但仍可能给出完全错误的合法值——给大语言模型加上合适的约束机制，同样可以强制它输出结构化内容。
准备替换 LLM 分类器？先看这几点
打算用 Jev 取代现有分类器的团队，建议从 jev-1.13 版本的“已知不稳定特性”（jaggedness）页面看起。该页面记录了模型在计数、算术、日期比较上的不可靠之处，以及在处理长度大、噪声多的状态信息时准确率下降的问题，并建议把数学计算留在代码里完成。
版本管理上，应固定使用诸如 jev-1.13.0 这样的具体版本号，而不是会自动更新的 jev-latest、jev-preview 别名。做基准测试时，可以用 System One adapter 让现有模型针对同一份 Schema 运行，方便对照。快速入门指南则覆盖了 API 密钥、SDK 和 Playground 的使用。
TypeSafe AI 位于旧金山，由 Diogo Almeida、Erik Gafni 和 Sasha Sheng 共同创立。Almeida 是 RLHF（基于人类反馈的强化学习）的联合发明人之一，也参与了 ChatGPT 背后的研究工作。
关键要点
- Jev 只返回带类型的概率决策（Choice/Score/Noul），适合分类、路由、评分这类“给个判断”的任务，不适合生成代码或文本。
- 优势在于速度快、单价低、能给出真实概率；代价是概率阈值如何取舍由调用方承担，且分布外表现与 LLM 不同。
- 已知短板集中在计数、算术、日期比较和高噪声长输入，数学计算应留在代码里，版本要固定到具体的
jev-x.y.z。 - 生态接入迅速（Vercel、Netlify、LangChain、Elixir 客户端），但社区实测的提升幅度（约 7 倍）明显低于宣传口径。