# Jev 突然火了：一种不同于生成式 AI 的决策模型

> 只根据已知数据得到一个判断结果，Jev 无疑是目前最高效的选择。

![一张图看懂 Jev：输入现场，输出程序可直接使用的判断](https://herblab.online/qwen-imgs/jev-news-01-one-glance-v2.png)<!-- display-width:560 -->

2026 年 9 月 15 日，TypeSafe AI 发布 Jev，并将它作为旗下首个公开的 **System One Model** 推出。

三天后，Vercel 披露：Jev 接入 AI Gateway 后 24 小时内，已经被接近 **13% 的付费团队**使用。

这个数字只代表 Vercel 自家平台的首日采用情况，不能等同于整个 AI 市场的占有率。

但 Jev 提出的方向确实很特别：

Jev 不负责生成自然语言答案，它负责直接给出判断结果。

我们给它当前状态，再告诉它程序需要判断什么，它不会生成一大段解释，而是直接返回概率、分类或评分，让程序继续往下执行。

这篇文章只回答三个问题：

1. Jev 到底在做什么？
2. 它和普通大模型有什么区别？
3. 什么场景值得用，什么场景不该用？

## 1. Jev 到底在做什么？

先看一个最简单的例子。

假设客服收到一条消息：

> “我的信用卡被重复扣款了，而且今天必须解决。”

程序真正关心的可能只有三件事：

- 这件事紧不紧急？
- 应该交给哪个部门？
- 用户现在有多不满？

程序真正需要的，也不是一段分析，而是类似下面这样的结果：

```text
是否紧急      → 0.96
处理部门      → billing
不满程度      → 1.2 / 2
```

> [!NOTE]
> 上面的数值只是为了说明 Jev 的返回形式，不代表实际调用结果。

Jev 把这三类判断分别称为 **Noul、Choice 和 Score**。

![Noul、Choice 和 Score 的问题、视觉含义与返回值对照](https://herblab.online/qwen-imgs/jev-news-02-three-decisions-v2.png)<!-- display-width:560 -->

### Noul：是不是？

回答一个 Yes / No 类型的问题。

例如：

```text
这条消息是否紧急？
→ 0.96
```

`0.96` 表示模型非常倾向于回答“Yes”。

程序可以根据自己的业务需求设置阈值，例如：

```text
> 0.8  → 自动进入紧急队列
< 0.8  → 普通处理
```

### Choice：选哪个？

从提前定义好的几个选项中选择一个。

例如：

```text
这张工单应该交给谁？

billing
technical
sales
```

Jev 不只返回最终选择，还会返回各个选项对应的概率分布。

### Score：程度多大？

在一个有顺序的量表中判断位置。

例如提前定义：

```text
0 → 冷静
1 → 不满但礼貌
2 → 非常愤怒
```

Jev 可能返回：

```text
1.2
```

也就是更接近“不满但礼貌”，但已经向“非常愤怒”偏移。

> [!IMPORTANT]
> Score 的 `1.2` 是程度位置，不是 `1.2%` 的正确率。
>
> Choice 返回的候选项概率，也不是 Score。

所以 Jev 的能力其实可以压缩成三句话：

`是不是？ 选哪个？ 程度多大？`

调用时，核心输入也很简单：

* **state：** 当前发生了什么，例如邮件、工单、用户消息或 Agent 状态；
* **questions：** 程序真正需要判断的问题；
* **answers：** Jev 返回的结构化判断。

同一份 state 可以同时判断多个互相独立的问题，不需要一个问题调用一次模型。

三种问题类型：

[https://docs.typesafe.ai/primitives](https://docs.typesafe.ai/primitives)

## 2. 普通大模型也能输出 JSON，Jev 新在哪？

看到这里，很自然会有一个问题：

> ChatGPT、Claude、DeepSeek 也能分类，也能输出 JSON，为什么还需要 Jev？

确实。

**输出 JSON 从来都不是 Jev 的独门能力。**

真正的区别在于，两类模型从一开始追求的目标就不同。

生成式大模型解决的问题更接近：

> **接下来应该生成什么？**

Jev 解决的问题则是：

> **在这些提前规定好的结果中，当前更像哪一个？**

例如程序只需要判断一封邮件属于：

```text
billing
technical
sales
```

生成式模型完全可以完成这个任务。

但程序真正需要的，其实不是：

> “根据邮件中的付款描述以及用户提到的重复扣款情况，我认为这封邮件主要属于……”

它只需要：

```text
billing   → 88%
technical → 12%
sales     → 0%
```

然后继续运行。

按照 TypeSafe 对 Jev 的公开说明，它并不像传统生成式大模型那样逐 token 生成一段答案，而是针对提前定义好的答案空间直接输出概率分布。

这也是为什么 Jev 更适合：

* 分类；
* 路由；
* 审核；
* 打分；
* 风险判断；
* 下一步动作选择。

可以把分工简单理解成：

| 任务              | 更适合谁   |
| --------------- | ------ |
| 写回复、解释、总结、创作    | 生成式大模型 |
| 判断是不是、选哪个、程度多大  | Jev    |
| 精确计算、权限校验、确定性规则 | 代码     |

因此，Jev 并不是一个“更小、更快的聊天模型”。

它更像是一块专门从 AI 系统里拆出来的：

`决策组件。`

让它写文章，就像让红绿灯主持晚会——岗位确实有点安排错了。

> [!NOTE] Jev 1.13 当前公开数据
> TypeSafe 当前公布的价格为每百万输入 Token **0.042 美元**，输出免费。
>
> 官方披露的端到端响应时间约为 **70～500 毫秒**。
>
> 这些数据来自厂商公开测试，不同网络、区域和真实业务环境下的结果可能不同。

模型与价格：

[https://docs.typesafe.ai/models](https://docs.typesafe.ai/models)

## 3. 为什么 Agent 特别适合 Jev？

Agent 在运行过程中，其实一直都在做选择题：

* 下一步调用哪个工具？
* 应该进入哪个子流程？
* 当前结果是否需要重试？
* 是否需要用户确认？
* 是否存在风险？
* 当前任务是否已经完成？

这些问题很多时候并不需要生成几百个 token。

程序需要的只是：

`一个足够快、足够便宜，而且可以直接进入下一段代码的判断。`

![Agent 责任链：Jev 选路，代码检查权限并执行工具，大模型负责表达](https://herblab.online/qwen-imgs/jev-news-03-agent-boundary-v2.png)<!-- display-width:560 -->

例如一个 PPT Agent 收到用户指令：

> “这一页太挤了，帮我收拾一下，但是图片别动。”

系统可以先判断：

```text
用户请求
   ↓
Jev
   ↓
改文案 / 调版式 / 先追问
   ↓
代码检查权限和参数
   ↓
调用对应工具
   ↓
需要生成内容时再调用生成式大模型
```

这里 Jev 不需要真正修改 PPT。

它只负责回答一个问题：

> **现在应该往哪走？**

后面的文件修改、权限校验、参数检查、失败重试，仍然由代码和具体工具负责。

需要重新生成文案时，再把任务交给生成式大模型。

因此，Jev 在 Agent 中最自然的位置，不是代替 Agent 完成任务，而是：

`在一个个岔路口快速帮它选路。`

Agent Loop 相关说明：

[https://vercel.com/i/jev-agent-control](https://vercel.com/i/jev-agent-control)

## 4. Jev 怎么和其他大模型配合？

Jev 并不需要单独存在。

实际使用中，它更适合作为 ChatGPT、Claude、Codex 这类大模型或 Agent 的一个额外能力。

可以简单理解成：

```text
用户提出任务
   ↓
生成式大模型 / Agent
   ↓
需要生成内容？────────→ 大模型自己完成
   ↓
需要快速判断？
   ↓
Jev
   ↓
返回结构化判断
   ↓
Agent 根据结果继续执行
```

比如一个 Agent 正在处理大量用户反馈。

需要总结用户说了什么时，可以交给生成式大模型。

但如果只是需要判断：

```text
是不是投诉？
属于哪个产品？
风险高不高？
要不要转人工？
```

这些步骤就可以交给 Jev。

判断完成以后，Agent 再继续完成后面的工作。

所以从实际使用体验来看，可以把 Jev 理解成一种：

`专门负责“判断”的特殊 Skill。`

更准确地说，Jev 本身并不是 Skill。

TypeSafe 官方提供了一个 Agent Skill，用来告诉 Codex、Claude Code 等 AI 编程工具：

* Jev 是什么；
* 什么情况下适合调用 Jev；
* API 参数怎么传；
* 如何读取 Jev 返回的判断结果。

安装之后，Agent 可以在合适的时候调用 Jev，也可以通过类似 `/typesafe:typesafe-ai` 的方式主动触发。

于是整个分工会变得很自然：

| 任务            | 负责者         |
| ------------- | ----------- |
| 理解用户任务、规划流程   | Agent / 大模型 |
| 快速分类、评分、路由、判断 | Jev         |
| 写文本、解释、生成代码   | 生成式大模型      |
| 权限、计算、确定性逻辑   | 代码          |

**大模型负责“想和生成”，Jev 负责“快速判断”。**

它们并不是互相替代，而是负责不同类型的工作。

TypeSafe Agent Skill：

[https://github.com/typesafe-ai/skills](https://github.com/typesafe-ai/skills)

## 5. Jev 也有很明确的边界

看到低延迟和低价格之后，很容易产生一个错觉：

> 以后是不是可以把很多大模型调用都换成 Jev？

并不是。

Jev 能做的事情很明确，不能做的事情同样明确。

### 1. 类型正确，不代表判断一定正确

假设提前给 Jev 三个候选项：

```text
billing
technical
sales
```

它返回的结果会落在这些合法选项里。

但：

```text
应该是 billing
```

依然可能被判断成：

```text
technical
```

`输出结构可靠，不等于语义判断永远正确。`

因此真正接入业务之前，仍然需要用自己的真实数据评估准确率，并决定：

* 哪些结果可以自动执行；
* 哪些结果需要人工复核；
* 多高的概率才值得触发动作。

概率不是“正确证明”，而是程序进行下一步决策时可以利用的信息。

### 2. 能确定计算的事情，不要让模型猜

算术、日期比较等可以通过代码得到确定答案的问题，没有必要交给 Jev。

TypeSafe 目前公开的 Jev 1.13 能力说明中，也将这类任务列为模型的明显短板。

复杂、多层的间接推理同样不是 Jev 最舒服的区域。

它真正擅长的任务通常有一个共同特点：

> **上下文已经给够，问题边界明确，只需要做一次判断。**

比如：

```text
是不是垃圾邮件？
```

很适合。

但：

```text
结合过去六个月所有订单、汇率变化、节假日和用户历史行为，
推导这个客户下周最可能采取什么行动？
```

已经不是一个简单的“瞬间判断”问题了。

### 3. Jev 不是多模态模型

Jev 当前主要接收文本和 JSON 形式的状态信息。

它并不会直接理解：

* 图片；
* 音频；
* 视频；
* 游戏画面。

例如想让 Jev 控制一个游戏，通常不能直接截图给它。

需要先由程序把游戏状态转换成类似：

```text
玩家位置：x=120, y=80
敌人位置：x=180, y=75
生命值：32%
弹药：4
可执行动作：攻击 / 后退 / 治疗
```

然后再问 Jev：

```text
下一步应该选择哪个动作？
```

另外，TypeSafe 当前说明中，英语仍是主要训练语言，表现也最好；中文等 CJK 语言可以处理，但目前不能默认拥有和英语相同的准确率。

如果准备处理中文业务数据，最好先用自己的数据集实际测试。

官方能力边界：

[https://docs.typesafe.ai/model-jaggedness/jev-1.13](https://docs.typesafe.ai/model-jaggedness/jev-1.13)

State 输入说明：

[https://docs.typesafe.ai/concepts/state](https://docs.typesafe.ai/concepts/state)

## 6. 现在怎么体验 Jev？

目前 Jev 已经提供了多种使用方式。

### 官方 Playground

最简单。

直接填写：

```text
state
questions
```

就可以看到 Jev 返回的判断结果。

非常适合第一次体验模型。

### API 和 SDK

准备接入真实项目时，可以使用：

* HTTP API；
* Python SDK；
* JavaScript SDK。

程序可以直接读取返回结果，再进入自己的业务逻辑。

### Vercel AI Gateway / Cloudflare

如果项目本身已经运行在这些平台，也可以通过第三方平台调用 Jev。

### Agent Skill

TypeSafe 还提供了 Agent Skill，可以接入 Codex、Claude Code 等 AI 编程工具。

这样 Agent 在执行任务时，可以在适合的位置调用 Jev 完成判断。

需要注意的是：

`Skill 只是告诉 Agent 怎么使用 Jev，真正做判断的仍然是 Jev API。`

官方 Quick Start：

[https://docs.typesafe.ai/introduction/quickstart](https://docs.typesafe.ai/introduction/quickstart)

## 结语

过去几年，我们习惯把越来越多任务交给一个通用大模型：

让它写东西。

让它解释。

让它分类。

让它判断。

让它选工具。

甚至只是回答一个 Yes 或 No，也要先完整调用一次生成式模型。

Jev 提出的思路要简单得多：

`生成归生成，判断归判断。`

需要写内容，让生成式大模型来。

需要精确计算，让代码来。

而当程序只需要知道：

> 是不是？
>
> 选哪个？
>
> 程度多大？

Jev 提供了一种专门为这种任务设计的选择。

**它不负责交流，只负责把下一步选明白。**

---

## 参考资料

TypeSafe AI · Introducing System One Models & Jev：

[https://typesafe.ai/blog/introducing-system-one-models-and-jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev)

TypeSafe AI · Primitives：

[https://docs.typesafe.ai/primitives](https://docs.typesafe.ai/primitives)

TypeSafe AI · Models：

[https://docs.typesafe.ai/models](https://docs.typesafe.ai/models)

TypeSafe AI · Jev 1.13 Jaggedness：

[https://docs.typesafe.ai/model-jaggedness/jev-1.13](https://docs.typesafe.ai/model-jaggedness/jev-1.13)

TypeSafe AI · State：

[https://docs.typesafe.ai/concepts/state](https://docs.typesafe.ai/concepts/state)

TypeSafe AI · Agent Skill：

[https://github.com/typesafe-ai/skills](https://github.com/typesafe-ai/skills)

Vercel · Jev is the fastest-adopted model in AI Gateway history：

[https://vercel.com/blog/ai-gateway-jev-model-launch](https://vercel.com/blog/ai-gateway-jev-model-launch)

Vercel · Where does Jev fit in an AI agent loop?：

[https://vercel.com/i/jev-agent-control](https://vercel.com/i/jev-agent-control)

---

*资料核对日期：2026 年 9 月 21 日。价格、延迟和采用数据来自 TypeSafe AI、Vercel 等公开资料；不同版本和业务环境下的数据可能发生变化。文中的示例数值仅用于解释 Jev 的工作方式，不代表本文实际测试结果。*

---

完整网页版本、清晰原图、Word 和离线 HTML：
[Jev 突然火了：一种不同于生成式 AI 的决策模型｜文潇的技术博客](https://aiarchblog-6hz4s01hv.maozi.io/articles/jev-system-one-model/)
