当所有人都在卷大模型对话时，OpenAI 老兵却反其道而行，做出了一个「不说话」的模型 JEV。它不生成文本，只输出类型化的决策和概率，上线首日 API 就被挤爆。本文从创始人背景、核心原理到与 LLM 的本质区别，用大白话讲透这个「机器原生智能」新物种，以及它为何可能成为 Agent 时代的「快判断层」。

哇！一打开我的黑色大叉叉软件，推特里面就全部是JEV相关的推送，你敢信？有人说这是新世界的大门，上线第一天官方 API 直接被开发者挤爆宕机，Vercel 自己统计说 24 小时内他们 AI Gateway 里大概 13% 的付费团队都调用了这玩意。想必在座的各位读者也非常好奇，这个JEV到底是一个什么玩意？

来源：Vercel 官方博客。这里用平台公开统计展示关注度。

在刻苦钻研相关文章，把官方博客、文档、评测站翻了个底朝天，最后自己仿写了小 Demo 之后，今天我就直接给大家用大白话讲透彻，讲明白，不多bb直接开始

先声明一下我的立场：我不是 TypeSafe 的托，文章里所有官方说的数字我都会标”官方自测”，所有第三方测的我都会标来源，我自己测的我会标”我测的”。这三类数据的可信度不一样，大家心里要有数。

先从它的创始人的背景故事开始讲吧：

JEV的创始人叫做 Diogo Almeida。他创办了 TypeSafe AI 这家公司，主要的产品系列叫：System One Model（JEV 就是这个系列下的旗舰产品，也是目前唯一的一个）。

Diogo Almeida 是 OpenAI 的老兵（注意不是创始人，是早期核心研究员），更是广为行业熟知的 RLHF 的发明者之一，他参与打造的 InstructGPT 就是 ChatGPT 的前身，可以说是这波 AI 浪潮的奠基人之一。但他对当时在 OpenAI 中的成果却大失所望。按照他接受 TechCrunch 采访时的说法：我们手里握着”瓶中闪电”，却没什么用。他花了很多时间才想明白，出现这个问题的最大原因就是：

“行业一直在优化人类的语言，而计算机说的是另一种语言。”

所以他一个造出 chat bot 的人，两年前离开 OpenAI，转头就做了个”不说话”的模型。这个反差是我觉得整个故事最有意思的地方。

来源：TechCrunch 原文，真实网页截图。

还有几个小故事顺手讲了：

名字来自一个 19 世纪的经济学家。 Jev 取自 William Stanley Jevons。这哥们最有名的发现叫”杰文斯悖论”：蒸汽机效率提高之后，煤的消耗量不降反升，因为便宜了大家用得更多了。TypeSafe 给模型起这个名字，等于把自己的商业赌注写在脸上：智能便宜一个数量级，用量就会爆炸几个数量级。这个我们后面讲成本的时候会再回来。

他最得意的赌注不是 RLHF。 采访里他说，很早就押注所有训练数据都自己造（纯合成数据），他认为这是他人生中最好的赌注之一，比这次发布更好，甚至比 RLHF 更好。同时他对模型架构守口如瓶，外面有人怀疑 Jev 是建在某个开源 LLM 上的，但没人能证实。

对前沿实验室的吐槽。 被问到 TypeSafe 算不算 frontier lab 时，他的回答大意是：前沿实验室的主要产品是恐惧或者炒作，他希望自己的主要产品是智能。考虑到他自己就是从 OpenAI 出来的，这话挺有火药味。

好，故事讲完，进正题。

一、JEV 到底是个啥

首先要说明的是：就像大型语言模型一样，System One 模型也能理解自然语言输入。但是和 LLM 不同的是：

它返回的是经过类型化的决策和概率信息，而不是生成的文本。

System One（这里指的是 JEV）模型不写回复、不生成代码、不解释自己的推理过程。你能问它的所有问题，都必须是下面三种基本类型（官方叫 primitives）之一：

两个细节提一下，都是社区里有人踩过的坑：

1. Noul 返回的不是”是”或”否”，是一个概率。 0.95 的意思是”95% 的可能性是在要求退款”。它没有单独的 confidence 字段，返回值就是事件为真的预测概率；接近 0.5 表示预测更难偏向任意一侧。（顺便说一下哈，Noul 是官方生造的词，不是 Bool 的错别字，可以理解成”带概率的布尔值”。）
2. Score 的 1.4 是加权平均，不是某个档位。 量表只有 0、1、2，模型先给每档一个概率，比如 0.1 / 0.4 / 0.5，算出来 0×0.1+1×0.4+2×0.5=1.4。坑在于：如果模型觉得客户要么很平静要么很愤怒（0.5 / 0 / 0.5），平均也是 1.0，看起来像”中等沮丧”，但其实恰恰不是中间状态。所以重要决策别只看平均分，要看各档概率的分布。

一次调用的完整过程是这样的：

接口流程示意接口流程示意；Choice / Score 另带 confidence，Noul 直接返回事件概率。

重点是箭头上那两个词：一次请求、一次响应。 不管你问 1 个问题还是 20 个问题，都是打包一次发过去，所有答案同时算出来一起回来。这个”同时”是后面成本和速度两节的核心，先记住。

还有一个隐藏的点：这张图里没有”对话历史”。每次调用都是独立的，模型不记得上一次发生了什么。想让它知道”前车已经连续减速 3 秒”，得由你的代码算好、写进状态里。记忆和上下文的管理责任，从模型转移到了你的程序。

其实从这里就能够窥得端倪。TypeSafe 并不是为了打造一个能处理所有事情的模型，他想做的是用在工程或者生产环境中，代码要能够快速做出决策并迅速采取行动。官方的判断是：在大规模自动化过程中，AI 与 AI 之间、AI 与软件之间的交互将占据主导地位，而且机器交互比聊天交互更为重要且更为高效（TypeSafe 将其称为”机器原生智能”）。

它解决了一个比较具体的当前存在的工程问题：

Agent 里面很多模型的调用不全是为了生成答案，而是为代码做一次判断。”这封邮件归哪类””这个请求路由给谁””这条输入是不是越狱攻击””现在该不该变道”。这些问题不需要写一段话来论证，需要的是一个快速、可靠的判断。用 LLM 做这些事，相当于每次有人问你 2+2，你都要写一篇小论文再回答。

所以它是生态里的新角色，而不是 LLM 的替代者。LangChain 官方博客给它的定位也是这个：开放式推理和生成交给 LLM，过程中的快速结构化决策交给 Jev。它是 agent 系统里面重要的一块拼图”快判断层”！

顺便解释一下 System One 这个名字。它出自 Kahneman 那本《思考，快与慢》：人脑有两套系统，系统 1 快、自动、凭直觉（看到前车刹车灯亮脚就移过去了），系统 2 慢、需要集中注意力做推理（算 17×24）。现在带推理模式的 LLM 就是典型的系统 2 工具：逐字生成、一步步思考、能处理开放问题，但慢且贵。TypeSafe 想做的是机器版的系统 1。

不过 Kahneman 原书里系统 1 的另一面是”容易出错”，各种认知偏差都出自它。官方 FAQ 自己也承认这层含义，说他们认为机器版系统 1 可以做得比替代方案更可靠，”理由以后再讲”。注意：这是一个还没给出论证的主张，后面可信度那节我会专门掰扯。

LLM 和 JEV 的区别边界表：

这张表是官方博客里的，我把中文翻译修了一遍（原来机翻的有几处会误导人）。

知道大家看到这个表一定会很懵，别急，别怕，带各位一块一块去解析！

1. 两个模型的后训练方法不同，且方向轻微不同

当前主流的 LLM：

使用的 RLHF：基于人类反馈的强化学习（Reinforcement Learning from Human Feedback）。我说白了，我白说了，就是”让人给 AI 的回答打分，AI 照着人喜欢的方向改”。过程三步：AI 对同一个问题写几个回答；人来评哪个更好；AI 记住哪种受欢迎，以后多写这种，重复几十万次。ChatGPT 能像人一样好好说话就靠它。

它的毛病是：AI 学到的是”让人满意”，不是”说对的话”。人往往更喜欢自信、流畅、顺着自己说的回答，所以 AI 也学会了讨好，学会了没把握的时候也说得斩钉截铁。

RLVR，基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Rewards）。就是让 AI 大量做有标准答案的题（数学、编程），对了加分，错了不加分，它自己摸索出怎么解题。现在那些”先想很久再回答”的推理模型主要就是这么练出来的。

它的毛病是：只能练有标准答案的东西，”这封邮件得不得体”没法自动判分；而且只看最后对不对，蒙对了也给分，同样没教会 AI 诚实地说”我不确定”。

System One + Jev：

而 RLCD 是什么呢？面向校准决策的强化学习（Reinforcement Learning for Calibrated Decisions）。这是 TypeSafe 为训练 Jev 提出的方法，具体技术细节没有公开（没论文、没技术报告），最明白的话就是：不光奖励 AI 答对，更奖励它“把握程度说得准”。

比如：像训练一个天气预报员。你不是看他哪天报对了，而是长期记账：

• 他说“90% 下雨”的那些天，是不是真有九成下了？
• 他说“60% 下雨”的那些天，是不是真有六成下了？

对得上就奖励。两种毛病都要罚：明明没把握却说 95% 的（盲目自信），和明明很有把握却只敢说 60% 的（畏畏缩缩）。理想目标是让他说的概率更接近长期频率；到了一个新任务里，仍要重新检验，不能直接当真。

三个放一起就很清楚了：

看出来了吗？LLM 校准差不是偶然，是训练目标的副产品：RLHF 和 RLVR 的目标本身不保证概率校准。Almeida 的叙事逻辑就是：我当年发明的 RLHF 让模型学会了讨好人，现在我要做一个学会诚实面对不确定性的模型。

（如果之后询问的朋友多的话，我会单开一篇文章去拓展讲讲）

2. 输入的数据不同：两种模型都读文字，但各自擅长读的”文字长相”不一样。

当前主流的 LLM：

侧重按顺序排列的消息。简单理解为：LLM 擅长读聊天记录。 一条接一条、有先后顺序的消息，就好比：

用户：我的包裹坏了

客服：能提供订单号吗？

用户：A1024，我要退款

它的任务是接着往下说。

System One + Jev：

Jev 擅长读”此刻的情况汇总”。像一张填好的表，外加几段自由文字，像这样：

订单号: A1024

金额: 89元

历史退款次数: 0

客户留言: “杯子收到就是碎的，我要退款”

它的任务是看完这张表，回答你提的几个问题。

打个比方：LLM 像接电话的客服，听你一句一句说，边听边回。Jev 像看病历的医生，拿到一张写好的病历单，扫一眼直接下判断，不跟你聊天。

那句”非结构化数据，但侧重结构化状态”为什么不矛盾：很简单，因为两边吃的都是文字（所以都叫非结构化），Jev 也能读懂”杯子收到就是碎的”这种大白话，这是它需要智能的地方。区别只在于它被专门训练成看”情况汇总表”，而不是看对话。

这里有个实用的限制，Flavio Copes 的深度解读里专门提到：state 里塞进和决策无关的内容越多，准确率越低。 官方自己也说这模型和别的模型一样会”context rot”（Chroma有专门一篇文章讲这个，我善心大发告诉你们吧：https://www.trychroma.com/research/context-rot）解决办法在你这边：只给一条工单打分的话就别把客户全部历史都塞进去，分类一段话就别把整篇文档都发过去，先用代码过滤。强调一下：Jev 目前每次请求最多 64k token，其中 state 加最长的问题不超过 32k，而且只吃文本。

3. 成本

当前主流的 LLM：

输入每百万 token 0.2 到 10 美元，输出通常是输入的 5 倍左右。这里很多人会不知道：为啥输出也要单独收钱，还更贵？

因为对 LLM 来说，”读”和”写”是两种完全不同的计算方式。读一段 1000 个 token 的文字，可以把这 1000 个 token 同时送进 GPU，一轮算完，GPU 最擅长这种大批量并行。但写就只能一个一个来：每个 token 都取决于前面所有 token，标准自回归解码要依次完成生成步骤。批处理、KV cache、推测解码和具体架构会改变执行效率，不能简单理解成每个词都从头重算；但顺序依赖仍是它和并行判断的关键区别。

来个生动无比的比喻：读一页书你扫一眼就完了，写一页字只却能一笔一笔写。是不是很真实？哈哈哈。

而且现在的推理模型回答前还要先”想”几千个 token，这些思考过程全按输出计费。Arize 转述了 NearHere 的一组测试：一个通用模型为了回答一个是/否问题，平均花了大约 910 个输出 token 在推理上，而 Jev 用了 85 个，而且不收钱。

System One + Jev：

Jev 不生成文本，输出只是在你预先定义好的选项上给概率。它读完输入之后，所有问题的答案在同一轮计算里一起出来，不存在”一个词一个词往外蹦”的过程。也就是说，Jev 只有“读”的成本，几乎没有“写”的成本。 你问 1 个问题还是 20 个问题，多出来的只是那几个问题本身作为输入的 token 费，输出端的计算量小到不值得单独计费。所以”便宜”和”快”其实是同一个原因，就是他TM直接放弃文本生成。

来源：官方发布文章，截图保留原始页面样式；价格核对于 2026-09-22。

换个更好懂的：每次决策多少钱。 每百万 token 0.042 美元对普通人没感觉，换算一下：官方基准上平均一次决策约 0.0004 美元，一万次决策约 4 美元。有人算过一个账：一个月 3200 万输入 token 的决策量，Jev 大概 1.34 美元；同样 3200 万输入 token，在每百万 10 美元和 1 美元的输入单价下，分别为 320 美元和 32 美元，输出费用还要另计。（数据是按公开价格算的模型，不是实测哈，Flowtivity 那篇自己也注明了。）

第三方实测的数据，比官方的 444 倍靠谱。 上线这一周其实已经有好几组独立测试：

来源：Every 原文。

来源：评测作者 GitHub，真实结果截图；与 Every 属于不同任务。

注意这张表里的规律：对手越贵，倍数越夸张。 对旗舰模型是几百倍，对 Haiku、Flash-Lite 这类小模型只有十几到几十倍。为啥这个规律后面讲优势的时候咱们会再提。

小葵花故事又来了：“too cheap to meter”这句话有个典故。 “便宜到不值得计量”不是随口说的：1954 年美国原子能委员会主席 Lewis Strauss 预言核电将让电力便宜到不用装电表。这个预言后来并没有实现，这句话也因此成了科技史上”过度乐观”的著名例子。TypeSafe 用这句话，要么是自信的致敬，也有可能是没意识到这个典故的反讽意味。加上官方自己也承认无法证明定价没有补贴、需要长期来验证可持续性，这个梗放在这里还挺感觉的，你说是吧。

所以关于成本我的结论是三句话：便宜是真的，第三方测出来了；倍数没有 444 那么夸张，看你拿它和谁比；而且这个价能撑多久还不知道。

4. 速度

当前主流的 LLM：

前沿模型端到端 3 到 329 秒。329 秒这个上限是开着推理模式的旗舰模型，思考几千个 token 再回答。为什么慢？上一节讲成本时已经说了：逐个 token 生成，没法并行。在和人聊天的时候几秒钟无所diao味，因为你也有可能在打字。但嵌进代码里就完全是另一回事：一个 agent 一次任务里要做几十次判断，每次几秒，加起来就是几分钟；一个实时系统每秒要判断 10 次，LLM 根本跟不上。

System One + Jev：

端到端 70 到 500 毫秒。快的原因和便宜的原因是同一个：并行采样，一次计算所有答案同时出来，把 LLM 最慢的”逐词生成”那一步整个砍掉了。

官方最能说明速度的是那个 Doom demo：他们让 Jev 控制《毁灭战士》里的角色，每秒发起约 10 次查询，输入的是游戏引擎导出的文本状态（敌人在哪、血量多少、弹药多少），不是画面。算下来成本约每小时 7 美元。用普通 LLM 做不到这个频率，单次响应就要几秒。（官方也坦承，一个传统的非 AI 的 Doom 机器人打得更好，他们要展示的是模型能适应不同的状态表示，并且能听自然语言指令，比如让它”保守一点”。）

来源：官方 Doom 说明。这张是真实网页文字截图；10 次/秒、约 7 美元/小时是官方演示口径。

第三方数据：Every 测到的是抽取任务每段 0.35 秒对 Fable 5.1 的 8.83 秒；Vercel 的工程师把用于审查命令安全性的分类器从 OpenAI 的模型换成 Jev 后，快了 5 到 18 倍。

有一点大家看官方数字时要留心：70 到 500 毫秒是他们从美国西海岸的笔记本上测的，离自家服务器很近。你从国内或者其他地区调用，真实延迟是多少？而且对实时场景，尾部延迟比平均值重要，P95 是多少？官方没给。说实话全是小心机啊，所以这也是我后面 demo 要去测的。

仅展示厂商给出的范围，不是本篇统一条件实测。

5. 可信度

敲锣打鼓，朋友们仔细看了，这一节是全文最重要的一节，因为 Jev 所有的可靠性主张都压在这上面。我分四个概念讲：类型安全、不会幻觉、校准、置信度。

当前主流的 LLM：

LLM 输出的永远是字符串，一段自由文本。你让它”只回答 低、中 或 高”，它大多数时候会照做，但偶尔会给你”风险等级：高”（多了前缀）、”我认为是中等偏高”（发明了新选项）、”高，因为前车正在急刹……”（附带解释）、格式残缺的 JSON。所以用 LLM 的程序都要写一堆防御代码：解析、校验、不合格就重试。

出错率听着很低，比如 0.1%，但算一笔账：每秒调用 10 次，一小时 36000 次，平均出 36 次格式错误。聊天时出错了用户重新问一遍就行，但在每秒跑 10 次的实时循环里，没有人在旁边盯着，每一次错误都得由代码自己兜住。官方博客有句话讲得尊嘟很棒：在一个 agent 里，幻觉出一个工具调用只是麻烦；但如果它处在有延迟保证的系统里，或者深埋在依赖链的好几层之下，那就是不得了的事情了。

再说置信度。你可以让 LLM 在回答后面附一句”我有 80% 把握”，但官方表格里那句话说得很对：它往往过度自信且前后不一致。原因第 1 节讲了，忘记的同学自己回去看：RLHF 侧重人类偏好，RLVR 侧重可验证结果，这些目标本身不保证概率校准。

System One + Jev：

类型安全（Type-safety）。 这家公司的名字就来自这个词。编程里”类型”就是数据的种类：整数、布尔值、枚举（只能是预先列出的几个值之一）。”类型安全”就是程序保证不会把错误类型的数据塞到不该去的地方。

Jev 的做法是：你预先定义好每个问题的类型（Choice / Score / Noul），模型的输出结构在架构层面就被锁死在这个类型里。Choice 问题只会在你列的选项上分配概率，它没有能力输出第四个选项、没有能力附带一段解释、没有能力返回格式不对的东西，因为架构上就没有这条路（糙话：就好像男人没有子宫，所以根本没有宫外孕的风险）。所以官方敢说类型错误”在数学上不可能”，图表里直接填 0%（不是实测值，是由构造保证的）。正常模型响应更容易被代码直接消费；网络中断、服务错误和接口版本变化仍然需要校验与兜底。

“不会幻觉”到底是什么意思。 官方宣传语是 “can’t hallucinate”，这个说法没说谎，但有误导空间。”幻觉”我先解释一下，一般有两种含义：

1. 编造不存在的东西：虚构的引用、不存在的 API、格式错乱。这一类 Jev 确实从结构上消除了。
2. 给出错误的判断：该选“保持”却选了“变道”，把正面新闻判成负面。这一类 Jev 完完全全可能发生。

类比：LLM 像让人写简答题，可以写出任何内容包括胡编的；Jev 像选择题加”你有几成把握”，答案只能落在选项里。但选择题照样可以选错。 官方说的”不会幻觉”指的是第一种，读者很容易理解成第二种。

还有一个人可能都想不到的一个点：幻觉风险有一部分被转移到了你身上。如果你定义的选项漏掉了真实情况（驾驶场景里没给”紧急停车”这个选项），模型只能在现有选项里硬选一个，而且可能还显得挺有把握。所以选项设计得好不好，变成了使用者的责任。

校准（Calibration）。 那判断错了怎么办？Jev 的思路不是”保证不错”，而是”错的时候让你知道”。每个输出都带概率，训练目标（RLCD）强调校准。这里要特别区分：Choice / Score 的 confidence 是由输出分布计算的统计量，不是“这次答案正确的概率”；本文校准评测用的是有明确定义的 Noul 事件概率。官方解释。理想状态下，它说 95% 把握的那决策真的有 95% 是对的，剩下没把握的情况会表现为低置信度，这时候你的代码可以丢给 LLM 或人了。

但官方文档里有一句非常诚实的话必须搬过来，真心值得强调：校准是在一组预测上衡量的，它不保证某一个具体答案是正确的。 天气预报员说”90% 下雨”结果没下，他错了吗？单看一天没法判断，只有把他所有说”90%”的日子放在一起看才行。如果在这个任务上已经验证校准良好，Jev 说”变道安全 0.95″才可以理解为”在一大批我给 0.95 的情况里约 95% 是对的”，但是你眼前这一次可能恰好是那 5%。设计系统时，阈值高低要和出错代价匹配：不同任务需要分别验证阈值；推荐场景的经验阈值不能直接移植到紧急刹车，更不能仅凭一个云端概率决定安全动作。

概念示意，不含实测数据。横轴预测概率，纵轴实际频率；过度自信在对角线下。

系统 1 也会出错，和“不会幻觉”矛盾吗？ 当然是不矛盾的。回到 Kahneman 那道经典题：球拍和球一共 1.10 元，球拍比球贵 1 元，球多少钱？大多数人脱口而出 0.1 元，这是系统 1 的答案，是错的（正确答案 0.05 元）。如果把这题做成选择题，选项是 0.05 / 0.10 / 0.15，凭直觉的人会选 0.10。他没有”幻觉”，0.10 是合法选项、格式完全正确，但答案就是错的。

Jev 面临的正是同样的风险，而且原因相似：人类系统 1 出错是因为不经过逐步推理，直接凭模式匹配给答案；Jev 也不做逐步推理，一次计算直接出结果。遇到那种表面像 A、细看才是 B 的问题，它原则上也容易掉坑里。会推理模式的 LLM 反而就闪闪发光，可以在思考过程中发现”等等，不对”。

官方凭什么说能做得更可靠？他们没告诉你们的是，但从博客能够推出三道防线：① 校准，人类系统 1 最大的毛病不是会错而是错了还很自信（答 0.10 的人通常非常确定），对于Jev 来说遇到陷阱题时应该给出较低的置信度；② 任务拆解，把需要多步推理的大问题拆成不需要推理的小问题，推理的直接丢给代码的 if-else 整；③ 没把握就上交给 LLM 或人，相当于”系统 1 搞不定时叫醒系统 2″。

这三点逻辑上自洽，但成立与否全压在第一点上：如果 Jev 在答错的时候依然显得很自信，后两道防线就不会被触发，整套论证就塌了。 所以校准是这个模型真正的承重墙，而它恰恰还没被充分独立检验。目前可以参考的外部数据之一来自那个可复现的钓鱼邮件基准：Jev 的概率在某些问题类型上过度自信，在另一些上又过于保守。样本不大，但方向值得警惕。所以我 demo 里就会测这个！

summery一下！这节的三个概念的关系：

• 类型安全 = 输出的格式一定对。数学保证。
• 不会幻觉 = 官方对类型安全的宣传说法，指不会编造选项之外的东西。
• 校准 = 输出的概率可信。经验性的，需要验证。

三者里只有第一个是铁板钉钉的（ai行业中少见的咬死笃定的事情‍）。

6. 使用场景

当前主流的 LLM：

表格里列的三类都是”需要生成”或”需要人盯着”的活：聊天、写代码、做数学证明、快速搭原型。LLM 在这些地方没有替代品，Jev 一个字都写不出来，根本不在同一个赛道。

System One + Jev：

官方给它的定位是 “smart if-statements”（智能 if 语句）。要理解这个定位，最好的办法是看官方 evals 站上那个安全告警处置的工作流，我把它翻成中文重画了一下（我是不是很贴心）：

依据官方工作流绘制，紫色为模型判断，灰色为程序规则。

这张图里最值得带走的三个设计思路：

第一，模型只回答问题，不做决定。 紫色和灰色是交替出现的。Jev 从不直接输出”隔离这台主机”，它只回答”有没有恶意进程在运行”这类事实性问题，由代码根据答案的组合来选动作。这样每一步都可审计：出了问题，你能查到是哪个问题答错了，还是哪条规则写得不对。

第二，问题拆得很细、彼此独立。 不是问一个”该怎么办”的大问题，而是拆成三个加十一个小问题。官方原文的说法是：最可靠的工作流往往由许多独立、拆解开的问题组成，行为细节依赖概率而不是离散决策。大问题的答案好坏很难检验，错了也不知道错在哪；小问题每个都简单、明确，容易答对，答错了也能精确定位。而且 Jev 是并行回答的，十一个问题和一个问题耗时差不多，拆细几乎没有代价，多整点，想细点，总不会错，还不亏。

第三，不确定时交给人。 整个流程有三个出口通向人：灰区通知用户、转二线、紧急上报。只有高置信度的两端（明显没事、明显有事且能对上手册）才全自动。这就是”校准概率”在实际系统里的用法。

“用概率而不是用是/否”这一点再多说一句。如果模型只回答”是越权”或”不是越权”，那么 51% 把握的”是”和 99% 把握的”是”在代码看来完全一样，会触发同样的动作。有了概率，代码就能做精细区分：越权概率 > 0.75 立即行动，0.15 到 0.60 之间发消息让用户本人确认，很低且有记录解释就自动关闭。同一个问题因为概率走不同三条路。

这套方法官方叫“拆解工作、搭建 harness”。 harness 就是包在模型外面那层代码。（harnsee后面会单出一篇去讲哈）对 LLM 来说 harness 是辅助，模型本身能干完整件事；对 Jev 来说 harness 是主体，Jev 自己什么都”做”不了，先问什么、后问什么、阈值多少、触发什么动作，全写在 harness 里。harness 是一段程序，Jev 就好像是这段程序里的智能 if 语句。没有harnsee，Jev就好像断手断脚一般。

官方实验结论又又又来了：四个示例任务平均下来，每一个模型（不只是 Jev，也包括各家 LLM）放在这种拆解过的工作流里跑，都比”把同样的策略写成一大段提示词让模型一次性解决”更准、更便宜、更快。也就是说这是一个关于方法的结论，不只是关于 Jev 的。那个钓鱼邮件基准也提供了一个例子：Jev 单问一个”是不是钓鱼”只有 62.6%（Haiku 81.3%），拆成五个窄问题、用 1000 条标注样本拟合权重之后，在另外 1000 条留出样本上到了 95.0%，Haiku 为 93.2%。但两者差异的 p 值为 0.063，没有达到 5% 显著水平；这里的提升也包含标注数据和监督拟合的贡献。

来源：评测仓库。五信号一组使用 1000 条训练、1000 条留出测试；数值差异未达到 5% 显著水平。

不过也要看到代价：这种方式把工作量从”写提示词”转移到了”设计工作流”。写一段提示词十分钟，设计上面那个安全告警工作流可能要一个安全专家花几天。Jev 省下的是运行成本，增加的是设计成本，适合要跑成千上万次的高频任务，不适合偶尔做一次的事情。

优势所在：

看完上面的描述其实就很直观地发现 JEV 的优势所在。官方的说法是 Jev “占据帕累托前沿近两个数量级”，这句话得解释一下。

帕累托前沿是啥。 买手机场景中你只关心两件事：价格越低越好，性能越高越好。五款手机里，D 比 B 贵、性能还比 B 差，那 D 没有任何存在的理由，被 B “支配”了。剩下没被支配的那几款连起来的线就是帕累托前沿：想在一个指标上变好，就必须在另一个指标上牺牲。AI 评测里常见的图就是横轴成本、纵轴智能，各家最新模型构成一条从左下到右上的前沿。每次有新模型，最常见的宣传就是”我们推进了前沿”。

官方那句话翻译成人话：在他们的图上，横轴从最便宜往贵的方向数，有接近 100 倍宽的一段范围里，Jev 都是最优的那个点。通常新模型只把前沿往外推一点点，一口气霸占 100 倍宽的区间是非常夸张的说法，所以他们自己也用了”off the charts”（爆表）这个词。

来源：TypeSafe 官方评测。纵轴是其模型参考答案口径；不与其他数据集的成绩混画。

官方数据是怎么来的。 他们设计了四个工作流（安全告警、agent 轨迹审查、发票处理、客服），共 711 个案例，让所有模型跑同一套固定的 harness，不允许各家针对考题调提示词。没有人工标注的标准答案，而是拿 GPT-6 Astra 和 Fable 5.1 两个最贵模型的平均答案当”参考答案”，看谁最接近。结果：四个工作流平均，Jev 68% 准确率、每案例 0.0004 美元、0.4 秒；GPT-5.6 Terra 68%、0.03 美元、10 秒；Opus 5 73%、0.18 美元、38 秒。Arize 的总结是：比 Opus 5 落后 5 个点，但便宜 440 倍。

那个“快 193.6 倍、便宜 444.6 倍”就出自这里。 但官方在博客的 Nuance 小节里主动写了四条折扣，贴心的我整理成一张表：

主动写这些在 AI 公司发布文里真的是少见的，在我这里算加分项哈，好感度+++。但首页大字写的仍然是 193.6 倍和 444.6 倍，导致媒体传播的几乎都是前者（所以建议大家真的学会阅读一手资料）。

来源：官方评测的 Nuance，保留原文四项限制。

所以我的判断是： 虽然官网都在和出名的大模型比较，Jev 真正的竞争对手不是 GPT-6，而是那些原本就用来做分类的便宜小模型（Haiku、Flash-Lite、各家的 mini）。在那个赛道上它的优势要温和得多：便宜十几到几十倍，准确率互有胜负。这个优势仍然很大，但没到 400 倍的夸张数值哈。

另一个值得看的设计是：Jev 把类型约束和概率输出直接组合进接口。 便宜模型的格式稳定性和概率校准也应按任务检验。如果你的系统需要靠概率阈值来路由，Jev 把这组能力直接做进了接口。传统分类器也能做概率校准，这个组合能否形成他们家的护城河，还要看目标任务上的验证结果。

二、小型评测：我把驾驶决策 demo 真跑了一遍

光转述官方数字没意思，我把 highway-env 模拟器、Jev 接口和记录工具都搭好了。结论先行：接口跑通了，成本很低；但这组驾驶预测任务里的概率没有表现出良好的校准，本机端到端延迟也没有达到 100 毫秒。）

（这只是行为决策层的概念实验哈。模拟器里有完整路况状态，真实道路上的感知噪声、湿滑物理、交通法规和车规级控制，都没有在这次实验里覆盖。

驾驶 demo 界面：3D 跟车视角、立体车辆与道路，以及行驶轨迹回放。画面仍由 highway-env 的路况与轨迹数据驱动，模型输出和执行规则可在页面中查看。

我的demo 是怎么搭的

环境： highway-env 1.10.2，固定随机种子 20260922。设计了六类模板：右侧空旷、右后车快速接近、右侧近处慢车、外侧车辆计划汇入、右侧远处静止车、前车慢但距离充足。每类采样 20 个参数组合，共 120 个基础场景。

一次判断的流程：读取路况快照 → 一次请求把五个问题发给 Jev → 代码检查概率阈值 → 选择动作 → 在模拟器中播放后续轨迹。模型返回的实际版本为 jev-1.13.0。

模拟器是每 0.1 秒推进一步。这是模拟时间步长，不能说云端每秒完成 10 次决策。当前交互 demo 等待模型返回后再执行和播放；批量评测里的并发，也不等于实时驾驶控制。

输入仍然是“情况汇总表”：自车速度、当前车道、各车的相对位置与速度、计划汇入事件，以及要预测的五秒时间窗。这里没有把模型不知道的模拟器隐藏状态拿来判错；评价事件和固定控制策略也写在了输入中。

五个问题：三个 Noul 分别判断“现在向右并入后五秒内能否无碰撞且无急刹”“前车是否导致立即急刹”“右后车是否快速接近”；一个 Choice 选择左、右、保持或无法判断；一个 Score 给整体风险打分。

Noul 没有“无法判断”这个第三种选项，Score 也不应把它混进有序等级；这次把显式“无法判断”放在 Choice 中。执行规则很简单：右并入安全事件概率 ≥ 0.85，而且 Choice 为右，才允许右并入；其他情况减速并保持车道。 请求失败则提示错误并保持保守行为。

对照组的边界设定：代码接好了官方 system-one-adapter 0.2.0，能够让普通 LLM 回答同一组问题。但本次只提供了 Jev 凭据，所以没有运行 LLM 对照；下面所有实测图都只画 Jev，可不干凭借这个判断它比某个 LLM 更好或更差。

测了三样东西

一、校准质量。

校准必须先定义“正确”到底指什么。这次只看一个二元事件：从同一初始状态固定向右并入，按 IDM 控制器前进五秒，自车既不碰撞，也不出现低于 −4 m/s² 的纵向加速度指令。 不评价后车舒适性，也不把它叫完整的驾驶安全标准。

每个场景都单独跑一次这个固定动作的模拟，不管模型实际是否愿意变道。这样不会只挑模型敢执行的动作来评价。实际执行动作的结果和校准用的固定右并入结果分开记录。

120 个基础场景各调用原文、改字段顺序、换速度单位、换措辞四种版本，共 480 次请求，466 次成功，14 次连接中断。原始表述中有 1 次失败，因此校准图的有效样本量是 N=119，不是 480。

在这 119 个场景里，用十个等宽概率区间计算，ECE 为 0.2703，Brier 分数为 0.2122。这说明当前提示方式与这组模拟任务的概率—频率对应关系并不好。但这是六类人工模板的固定种子采样，没有独立自然场景测试集，也没有足够样本把它说成“Jev 的通用校准误差”。

一个更直观的例子：20 个右侧空旷场景全部满足事件条件，但平均安全概率只有 0.551；20 个计划汇入陷阱场景全部不满足条件，平均概率反而为 0.618。在这个任务上，低 ECE 的期望没有兑现。 其实这个也提醒我：让模型精确预测一个动力学控制器五秒后的结果，本身就比普通文本分类更难。

大白话就是：在这两组场景里，它对容易过关的情况信心不足，对过不了关的情况反而更乐观。

目前在这套提问方式和模拟任务里，Jev 的概率不够可靠。但是不能据此认定它在所有任务上都不可靠。

二、延迟和成本。

为了缩短采集时间，主批次用了并发 6；另外单独做了 20 次串行验证，全部成功。串行端到端 P50 为 1375.60 毫秒，P95 为 1795.83 毫秒；并发 6 时，119 个成功原始请求的 P50 为 1583.21 毫秒，P95 为 8527.83 毫秒。这些时间包含本机网络和连接建立，记录的是这一次路径与实现，不能全归因于模型计算。

主批次成功请求共返回 396，615 个输入 token。按公开的每百万输入 token 0.042 美元、输出免费计算，约为 0.01666 美元；另 20 次串行验证约 0.000707 美元。这是根据 usage 计算的费用估算，不是控制台账单，失败请求的实际计费用量未知。

原始请求平均约 839.5 个输入 token。假设以同样输入长度每秒调用 10 次、持续一小时，即 36,000 次，费用外推约 1.27 美元。这次没有跑一小时，也没有证明能持续达到 10 Hz；Doom 约 7 美元/小时的输入长度和调用实现不同，不能只比总价。

确实便宜哈。

三、一致性。

改字段顺序，有效配对 114 组，概率绝对变化平均 9.65 个百分点、最大 32.00 个百分点；换速度单位，115 组，平均 3.87、最大 16.00 个百分点；换措辞，115 组，平均 4.15、最大 12.00 个百分点。

还有一个重要参照：同一原文另调一次的 20 组结果，变化平均 2.15 个百分点、最大 9.00 个百分点。这些重复调用发生在不同时间和并发条件下，所以不能把扰动前后的全部差异都归因于写法。至少从这批数据看，字段顺序的变化值得继续排查。

加一组陷阱题。 40 个陷阱原始样本里，没有出现安全概率 ≥ 0.85 却失败的案例。但这并不能宣布“兜底验证成功”：全部 119 个原始预测都只落在 0.23–0.65，这条 0.85 阈值根本没有放行任何一次右变道。一直拒绝操作，可以减少冒险，却不能证明模型会选对安全的操作。

具体看编号 ramp-trap-0003：Noul 安全概率 0.62，Choice 却给“右” 0.91 的概率，Choice confidence 为 0.87。固定向右并入后发生了碰撞和急刹。三个数字回答的不是同一个问题；如果只看 Choice 的高数值就执行，很容易误读。当前代码因为 Noul 没过 0.85 而选择减速保持。

另一例 near-speed-trap-0004，安全概率为 0.35，固定右并入没有碰撞，但出现急刹，仍算事件失败。这就是为什么“正确”必须在测试前定义清楚，不能看结果再换标准。

劣势介绍：

结合官方自己写的局限和我 demo 里的观察，我把 Jev 的劣势分成”结构性的”和”待验证的”两类。

结构性的（模型天生这样，不会随版本消失）

1. 一个字都写不出来。 不能写回复、不能生成代码、不能解释。这不是缺陷，是设计选择，但意味着你的系统里一定还得有 LLM。而且它不解释推理，你没法追问一句”你是怎么想的”，想知道原因只能靠多问几个拆细的小问题来间接推断。

2. 设计成本转移到你身上。 拆哪些问题、选项列全没有、阈值定多少、规则怎么排优先级，全得懂这个领域的人来做。钓鱼邮件那个基准说得很清楚：单问 62.6%，拆五问加标注拟合才 95%，准确率是你”搭”出来的，不是买来的。适合高频任务，不适合一次性的活。

3. 没有记忆，只吃文本。 每次调用独立，上下文管理是你的事；目前只支持文本，不支持图像，而且 state 有 32k 上限、塞无关内容会掉准确率。想让它看摄像头画面得先由别的模型把画面转成文字状态。

4. 校准不等于正确。 即使在任务上校准良好，说 95% 的一组预测仍会有约 5% 不满足事件条件，而且你不知道是哪一次。对出错代价特别高的场景（真车、生产服务器、真金白银），Jev 只能是”减少人工审核量”的工具，绝对绝对不能是”取消人工审核”的理由。

待验证的（可能随时间改善，但现在还是问号）

5. 校准质量仍需要在目标任务上验证。 第三方钓鱼基准显示不同问题的校准表现并不一致。我的驾驶实验在 119 个有效原始场景上观察到 ECE 0.2703，说明这套任务和提示设计里概率与实际频率没有对齐；这不是对模型所有用途的定论。

6. 合成数据的疑问。 官方说训练数据全部合成。在合成场景里练出来的”几成把握”，到真实世界的数据上还准不准，没人回答过，也没人敢回答。

7. 架构和方法没公开。 没论文、没技术报告、权重不开放，RLCD 目前只是一个名字加一句目标描述，外界无法复现，我特别好奇这个。

8. 评测是自己出题自己判。 前面 Nuance 那张表说过了。四个工作流拆开看，Jev 在每一个上都低于最强对手：安全告警 61.7% 对 66.2%，agent 轨迹 71.6% 对 76.6%，发票处理 61.8% 对 79.1%，客服 76.0% 对 78.3%。发票那项差了 17 个点，说明有些任务它确实不行。

9. 定价能撑多久。 官方自己说无法证明没有补贴。融资 4000 万美元的创业公司烧钱换市场很常见，”便宜到不值得计量”那个典故的结局大家也知道。

10. 我 demo 里发现的问题： 并发采集的延迟尾部明显拉长，480 次里有 14 次连接中断；改字段顺序的配对概率最大相差 32 个百分点；0.85 的安全门槛没有放行任何原始场景。模型成本便宜，并不自动意味着这个驾驶工作流已经可用。

三、对未来展望，还有我的看法评论

Jev的诞生类似于 GPT-1 时刻吗？ 有点像，但更准确的类比可能不是 GPT-1。

像的地方：GPT-1 的意义不在于它本身多强，而在于验证了一条新路线，后面的规模化才是爆发点。Jev 也是在提一个新的模型类别，而且目前是这个类别里唯一的一个。TechCrunch 引用的开发者也说，既然用处已经显现，竞争者会冒出来。如果之后 OpenAI、Google、DeepSeek 都跟进做自己的 System One 模型，回头看这就是一个”品类开创时刻”。

不像的地方我认定有三点：

第一，GPT-1 发布时几乎没人在意，是一篇论文，价值几年后才被追认。Jev 是带着 4000 万美元融资、API 和定价出场的商业产品，上线几天就宕机。它更像”产品时刻”而不是”研究时刻”，人家出生就有实力和热度毕竟。

第二，GPT 路线的核心是通用性，一个模型吃掉所有任务。Jev 反过来，是主动收窄：只做分类、路由、打分、判断。它不是下一代范式取代上一代，而是生态里多了一个新角色，更垂类。

第三，GPT 路线成立是因为后来被证明”越大越强”。Jev 这条路有没有类似的 scaling 规律，目前完全没有公开证据，只能说未来可期。

所以觉得更贴切的类比是“GPU 之于 CPU”，或者“数据库索引之于全表扫描”： 不是更聪明，而是把某一类高频操作做到便宜和快两个数量级，从而让以前不划算的用法变得可行。每秒调用 10 次 AI 做实时决策，用 LLM 在成本和延迟上都不现实，用 Jev 就是每小时几美元的事。我的驾驶 demo 说明这种接口很容易接进程序，但这次实测没有达到实时驾驶的延迟和校准要求，还不能把它当成已经成立的应用案例。

这就回到了模型的名字。杰文斯悖论说的是效率提升会让总用量爆炸。Flowtivity 那篇里有句话我很喜欢，大意是：当一个工作流的决策层比一杯咖啡还便宜时，你就不再合并调用了，而是到处撒。Almeida 对未来的想象也是这样：智能软件会以一种涌现的、分布式的方式遍地开花，更像早期互联网的feeling，而不是现在大家想做的超级应用。

接下来值得盯的几个信号：

1. 有没有独立第三方的大规模评测验证它的校准质量（目前只有小样本）。
2. 大厂是否跟进同类模型。
3. 定价能否在早期补贴之后维持。
4. 有没有真正跑在生产环境里的标杆案例，而不只是 demo。Vercel 那 13% 的采用率是个好兆头，但采用不等于留存。
5. 官方承诺的技术报告什么时候出，RLCD 到底怎么做的。

一句话立场：这可能是一个品类的开端，但不是 LLM 的终结。

四、我的落地应用：单只股票加减仓辅助工具

最后拓展我的第二个工具。讲完驾驶 demo 你会发现，Jev 的用法其实是一个模板：结构化状态 → 拆细的问题 → 概率 → 代码规则 → 动作。换个领域就是换一套状态和规则。我自己有个需求：手里拿着一只股票，每天有大量新闻、公告、研报，我想知道哪些信息值得我认真看、哪些触及了我当初买入的逻辑。是不是心动了

先把丑话说在前面：这个工具不预测涨跌，也不替我做决定。 我不是持牌投资顾问，这篇文章也不是投资建议。Jev 在这里做的是信息分类和打分，最终加仓减仓的规则是我自己定的，最终按不按按钮也是我自己。它的定位是”把我自己定的规则系统化执行”，而不是”让 AI 炒股”。

架构示意；当前版本手动录入信息，Jev 可真实调用，规则只给复核提示。

四层结构

信息收集层。 完整产品可以定时抓财报、公告、新闻、研报摘要、行业事件，用爬虫加 LLM 做摘要。当前 demo 实现的是手动录入公司、持有逻辑与新闻，内置样本均为虚构内容，没有接实时行情或自动采集服务。

Jev 判断层。 对每条信息问一组拆细的问题，全部并行、一次请求：

• Noul：“这条信息和我持有的公司直接相关吗？”“这条信息触及了我买入时的核心逻辑吗？”（核心逻辑写在 state 里，比如“看好其海外业务扩张”）
• Choice：“对基本面的影响：正面 / 中性 / 负面 / 无法判断”
• Score：“影响的持续性：0 一次性事件，1 季度级，2 长期结构性”
• Score：“信息来源类型：0 传言，1 媒体报道，2 官方公告（按文本声称分类，未外部核验真实性）”

每条信息拿到一组带概率的标签。每天几百条信息，成本按前面算的账，几美分。

规则层（我自己写的）。 举几个我用的规则，纯示例：

• 连续多条高置信度“负面 + 触及核心逻辑 + 长期” → 标红，提示我复核是否减仓
• 高置信度“正面 + 长期”且当前价格回到我预设的估值区间 → 标绿，提示我考虑加仓
• 任何一条置信度低于阈值 → 标黄，“需人工判断”
• 叠加硬性风控：单次调整比例上限、总仓位上限、冷静期（标红后 24 小时内不操作）

注意这些规则里没有一条是 Jev 决定的，它只是给每条信息贴标签。这和安全告警那张图一模一样：模型回答事实性问题，代码按规则选动作，不确定的交给人。

仪表盘。 展示信号、依据的原文、概率、置信度。每个信号都能点开看是哪条新闻、Jev 给了什么标签。最终决定由我做。

虚构公司与新闻样本，模型标签来自真实 API；不是行情回测。

一个必须做的东西：回测和记录

每次信号触发都要记下来。这里其实有两种验证：一是由独立标注者判断新闻是否相关、是否触及核心逻辑，再检验模型的文本标签概率；二是过一个月、一个季度回看策略信号与价格、基本面变化，做策略回测。后续涨跌不能直接当成“新闻负面”标签的真值，这两件事不能混在一起。

当前已完成两条虚构新闻的真实 Jev 功能联调：两次请求合计约 4.08 秒，输入 1293 个、输出 214 个 token；两条都触发负面逻辑复核，界面给出红色提示并启用 24 小时冷静期。这里验证的是“输入—标签—规则—界面”链路，没有长期观察样本，也没有收益率或回撤结论。可在 demo 中修改新闻、阈值、估值区间和仓位，查看规则变化，并导出判断记录。

这也是我想强调的最后一点：用 Jev 的正确姿势，是把它当一个需要持续校验的组件，而不是一个可以信任的黑盒。 它给你的每个概率都是一个可以事后检验的承诺，你要做的就是真的去检验。

五、结尾

写到这里一万多字了，总结成三句话：

1. Jev 不是更聪明的 LLM，是一个不说话、只做判断，在官方特定工作流上显示出成本与速度优势的新品类，它是 agent 里的“快判断层”。
2. 类型约束解决输出形式，校准解决概率能否使用。后者要在具体任务里持续验证，我这次驾驶实验就没有得到理想结果。
3. 便宜是真的，但倍数看你跟谁比；它真正的对手是便宜的小模型，真正的护城河是“概率可信”，而这恰恰是最需要独立验证的地方。

demo 代码、原始评测数据和来源整理已经随这份文章打包；仓库：https://github.com/chansonkang/jev-demos-and-evaluation。