📢 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是新出的模型，这两天在X上很火。它的思路很有意思。 人的思维分成两种模式：System 1（快思考），System 2（慢思考）。 开发团队TypeSafe 的论点是： 今天的主流模型都是System 2。它们倾向于把思路写成一段话，再一个token一个token地吐出来，速度很慢。 所以他们把Jev这类东西叫System One Model：不聊天、不解释、不写句子，专门做“看完状态立刻给出结构化判断”。 官方原话大概是：把它当成一个前沿智能的函数调用——非结构化状态进去，带概率的类型化决策出来。 我准备试一试。如果有效，那就出一期视频聊聊。

谁能想到，现在连俄罗斯方块，都可以交给一部安卓手机上的 AI 来玩了。 @Acurast 又展示了一个挺有意思的 Demo，让开源 AI 模型 Laya 在真实手机上运行，自己判断俄罗斯方块应该往哪里放。 一开始觉得就是个小游戏，仔细研究后才发现，背后涉及的其实是小模型决策、手机算力，以及 Crypto Agent 的去中心化执行。 / 先说说这个 Laya。 它属于 System One 决策模型，和我们平时使用的大语言模型有些区别。 比如玩俄罗斯方块，游戏会提前生成 5 个候选落点，Laya 根据当前局面选择一个，并返回对应概率。 整个决策过程只需要约 0.2–1 秒，而且直接运行在手机 CPU 上。 不需要昂贵的 GPU，也不必每次都调用大型云端模型。 这就挺有意思了。 / 更值得关注的，是 Acurast @Acurast 把这套能力放进了自己的去中心化计算网络。 按照近期官方数据： • 340,000+ 部接入手机 • 覆盖 175+ 个国家 • 11 亿+ 笔链上交易 • 70 万+ 次计算部署 结合 TEE 安全执行环境，Acurast 希望让手机提供的不仅是算力，还有可验证的 AI 决策能力。 这件事放到 Crypto Agent 领域，想象空间就更大了。 比如钱包交易审核、DEX 兑换路径选择、链上任务调度。 程序先生成合法选项，AI 根据策略快速做出选择，再由系统验证执行。 当然，涉及资金安全的操作，还需要额外的风控机制。 / 以前关注 Acurast，更多还是想着手机能不能挂机赚点奖励。 现在看到 Laya 真正在手机上跑起来，我反而更好奇，后面还能接入多少实际任务。 毕竟手机数量已经不少了，接下来就看这些算力能不能真正派上用场了。 #Acurast# #DePIN# #AI#

今日爆款 Jev 应用 🔥 全网玩家把 Jev 玩成了下一代「200ms 点下一格的浏览器手 + 开源本地决策核 + 每个区块做一次买卖的交易员 + 看辅助树再点的电脑操作员 + 全网用例雷达」： 1️⃣ browser-use/jev-ultrafast（ Browser Use 亲儿子：页面下一步点谁，交给 Jev 的 Choice，不让大模型写议论文。17k+ 星。 “网页 Agent 第一次按毫秒决策，而不是每点一次按钮烧一轮前沿模型”！ 2️⃣ NandhaKishorM/laya（ 开源权重决策模型：本地几十决策 / 秒，Jev 形状的 Choice / Score / Noul，不把数据送出机器。热榜新贵。 “System One 第一次能离线上膛，而不是每个 if 都要打一枪云 API”！ 3️⃣ jarrodwatts/jev-trader（ Monad 上 Kuru MON-USDC：每个区块（~300ms）问一次买还是卖，挂 post-only，带 dry-run。 “交易第一次是类型化判断，而不是让聊天模型写一份『我认为应当买入』”！ 4️⃣ awlevin/typesafe-computer-use（ macOS 电脑操作：每一步一个 Jev 决策，成本约 $0.0002 / 步。 “键鼠第一次按概率分支，而不是把整屏截图丢给会写作文的模型猜坐标”！ 5️⃣ everyinfra/jev-radar（ 独立雷达：220+ 已核验用例、置信度分级、每 3 小时回扫，中英白皮书。 “生态第一次有证据账本，而不是再刷一页『大家好像都在用 Jev』的传闻”！ // 这波直接把 Jev 从「不会写字的新模型」推到「浏览器能点、本地能跑、链上能下单、桌面能动手、地图能查全」的决策基础设施。谁先把这五件套接到自己的 loop 里，谁就把 2026 的 System One 战争锁在自己代码里。直接冲。

不是聊天機器人，是會「拍板」的小模型 🧠⚡ Laya 不寫文、不推理長篇。你丟一段現況＋幾個明確問題（選哪個、急不急、是不是），它一次推論就給出帶機率的答案。 筆電大約 20–30 毫秒，一個 token 都不生成，資料也不出門。 跟生成式 LLM 差在哪？ 🔹 LLM（System 2 那種用法）：一段一段吐字，擅長寫、解釋、規劃，但慢、貴、答案還要再解析 🔹 System One 決策模型：不聊天，只做判斷。一次前向傳播，直接回傳「選項／分數／是或否＋機率」 🔹 簡單講：LLM 負責想清楚再說話；Laya / Jev 負責先快速分流、打分、擋風險 跟 TypeSafe Jev 差在哪？ 🔹 做的事很像，都不是生成模型 🔹 Jev：閉源雲端 API，複雜題通常更準，但資料要出門、要錢、要等 🔹 Laya：Apache-2.0 開源、本機跑、免費、可微調；簡單題能打，題一繞、選項一多就容易掉準度 這是新主流嗎？還沒。 比較像新一層基建：把「要不要升級給大模型」這件事，從每次都呼叫 LLM，改成先用超快的決策模型擋一層。寫作、推理還是 LLM；路由、審核、急迫度、遊戲裡下一秒怎麼動，才是這類模型的場。 想試：pip install laya 看它打遊戲： 模型：

今日爆款 Jev 应用分享🔥 全网玩家把 Jev 玩成了下一代「200ms 点下一格的浏览器手 + 开源本地决策核 + 技能路由闸 + 监督神经 + 超快浏览器 Agent」： 1️⃣ browser-use/jev-ultrafast（ 动态索引动作空间 + Jev 选操作/元素，小模型只打字。Flights 7.1 秒级别。 “浏览器手第一次 200ms 级决策，而不是截图慢慢想”！ 2️⃣ keeltrace/hermes-nerve（Jev 监督） Jev / Laya / OpenJev Reflex 可选的监督神经系统，看板 + 上下文治理 + token 轨迹。 “每一步第一次有神经反射，而不是同一把锤子砸所有钉子”！ 3️⃣ DECRUX9812/typesafe-skill-router 或类似 Jev 技能路由（社区热门） 模型开口前先判该上哪条技能，对不上就一行都不注入。 “技能第一次是点名上岗，而不是一千条 SKILL.md 全灌进上下文”！ 4️⃣ kerpopule/hermes-jev-skills（社区） 九条纯 SKILL.md：模型路由、记忆过滤、技能选择、计算机/浏览器动作，跨 Hermes / Claude / Codex。 “小决策第一次交给 System One，而不是烧前沿模型 token”！ 5️⃣ ajensenwaud/hermes-jev-plugin 或 jev-typesafe（Hermes 目录） TypeSafe Jev 工具：yes/no、routing、rubric scoring，带校准概率。 “决策第一次有类型和概率，而不是黑盒猜”！ Jev 把 System One 决策核真正焊进 Agent 循环了，速度与成本双杀。

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。