📢 TypeSafe AI · Jev 现已登陆 API 作为 @typesafeai 发布的首款 System One 模型，Jev 专为软件内的高速结构化决策打造。它不生成文本：输入应用状态与类型化问题，直接返回带概率与置信度的决策，无需 JSON Prompt，也无需解析输出。模型支持 Choice / Score / Noul 三类原语并行评估，端到端延迟约 70–500ms，输入仅 $0.042 / 百万 Token、输出免费，适用于工单路由、内容审核、风险评分与 Agent 分支判断。 API 现已开放，在 API 模型的「官方」→「全量接入」列表（通过 Jev-1.13.0 或 Jev-Latest 调用），欢迎体验！ 👉 体验入口： 🔗 了解更多：

Jev 刚发布没几天，开源社区就出现了同款🔥 Decider-2B模型，是基于 Qwen3.5-2B 做了特殊调整 它和 Jev 模型是一样的 只做选择 评分和判断 不是文本类的 LLM 模型 但两者还是有几个明显区别： 1、模型 Jev：闭源 System One Model Decider：Qwen3.5-2B，约 1.9B 参数，Apache 2.0 开源 2、价格 Jev：$0.042 / 100万输入 Token，输出免费 Decider：本地部署，没有 API Token 费用，只算机器成本 3、速度 Jev：官方约 70–500ms，吞吐 25万 Token/s Decider：GH200 测试单次约 3–8ms，但硬件环境不同，不能直接横比 4、能力 Jev：重点是 RLCD + 概率校准，产品化更成熟 Decider：同样支持 Choice / Score / Noul，也专门做了 Calibration 训练 5、使用方式 Jev：直接调 API Decider：自己部署，更适合直接塞进 Pi、Hermes 这类 Agent Harness 如果感兴趣 可以去看一下 模型地址：

Jev 真有那么强么？你真的看懂 Jev 了么？ 最近全网都在讨论 Jev，我发现有些朋友可能被一些无脑营销号给带跑偏了。 首先，Jev 其实没有提供一种现在其他大语言模型完全不具备的新能力。 它现在主打的这些分类、打分、概率判断、结构化输出等功能，市面上其他的大语言模型，比如 GPT、Claude、Grok、DeepSeek、GLM，甚至豆包，其实都可以做到。 Jev 的优势，是在输出这些结构化结果的时候，可以做到更快、更便宜、更稳定。 它针对的就是这一类特定任务，直接输出结构化结果和概率，不需要像普通大语言模型一样生成一大段自然语言。 第二点，也是我觉得现在大家讨论得比较少的： 这个东西的判断能力，到底是什么水平？ 因为它再快、再省 Token，最后干的事情也还是： 我们给它输入一堆上下文，让它去判断一个事情，最后给你一个选择、一个分数，或者一个概率。 但问题来了，它吐给你一个 90% 的概率，我们凭什么认为这个 90% 就是对的？ 比如 Jev 告诉你： 这段代码有安全风险，概率 92%。 这个用户有购买意愿，概率 87%。 这个 Agent 下一步应该调用搜索工具，概率 95%。 那这些数字的到底准不准呢？怎么衡量？ 所以这里最终还是绕不开一个问题： 这个模型它的“脑子”到底怎么样？智力如何？ 目前官方给出的说法，是在 System One 这一类任务上，Jev 的能力平均比较接近 GPT-5.6 Terra 默认推理强度的水平。 因为抛开模型的判断能力，只讨论“快”和“便宜”，意义其实没那么大。 现在本地随便跑一个小参数模型，也可以做到很快，成本接近于零。 但如果如果它回答结果的准确度很低，那再快有什么用？ 所以我们讨论 Jev，不能只看价格、速度，还要看对各种任务的准确度。 如果有人无脑吹 Jev，说它强到可以解决其他大模型解决不了的问题，要不就是说了一堆牛逼的效果但其实根本没法用于生产，那这种内容基本就不用看了，八成是为了噱头自己胡编的。 我觉得 Jev 真正值得关注的，是它背后的这套思路： 专门针对 Agent Harness，做一个负责快速判断和结构化输出的专用模型。 相当于把大模型原本已经具备的一部分“快速判断能力”单独抽出来，专门优化成本、速度和稳定性，然后交给 Harness 去调用。 这才是 Jev 真正有价值的地方。