三分钟带你快速熟悉了解最近爆火的 Jev

LLM 系列又添一篇番外。最近 AI 圈刷屏的 Jev 不是又一个聊天模型——它不生成文本。这是最近最反直觉的新物种，值得花三分钟搞懂。

一、先说它是什么

Jev 是 TypeSafe AI 发布的第一个 System One Model（系统一模型）。公司由前 OpenAI 研究员 Diogo Almeida 创立（InstructGPT、ChatGPT、GPT-4 的核心参与者），2026 年 9 月出街就拿了 DCVC 领投的 4000 万美元种子轮。

名字来自卡尼曼的《思考，快与慢》：

LLM 是系统二：慢思考，生成文本，什么都能干但每个字都要算
Jev 是系统一：快直觉，不生成一个字的文本——输入状态（state）+ 类型化问题，直接返回结构化判断

你问它「这封邮件是不是钓鱼？」，它不写一段分析，直接返回一个 0~1 的值和置信度。你的代码可以直接拿去 if-else，不用解析文本。

二、三个原语：它只会回答三种问题

原语问什么返回什么

Choice	从选项里选一个	choice + probabilities + confidence
Score	按评分标准打分	score（0~1）+ probabilities + confidence
Noul	这个说法是真的吗	noul（0~1）

三种问题可以混在同一次调用里，每个问题并行且独立地评估——加问题几乎不增加延迟，也不会因为问题变多产生上下文污染（问题之间互相隔离）。

官方的工单分诊示例，一次调用返回三个判断：

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()

ticket = "Hi, I've been trying to connect my Stripe account for 3 days \\
and the integration keeps failing. I'm losing sales. Please help ASAP."

response = client.system_one(
state=ticket,
questions={
"department": Choice(
instructions="Which team should handle this",
criteria={
"billing": "Payment or subscription issues",
"technical": "Bugs or integration problems",
"sales": "Pricing or account questions",
},
),
"frustration": Score(
instructions="How frustrated the customer appears",
criteria=[
"Calm, just stating facts",
"Frustrated but civil",
"Very angry, strong language",
],
),
"is_urgent": Noul(
instructions="The message conveys urgency or time-sensitivity",
),
},
)

print(response.answers["department"].choice) # "technical"
print(response.answers["frustration"].score) # 1.0
print(response.answers["is_urgent"].noul) # 1.0

注意返回值都是带类型的数据——choice 是枚举、score 是浮点数，代码直接分支、排序、路由，没有「解析模型输出文本」这个脏活。

三、核心设计哲学：原子问题，代码组合

Jev 的用法和 LLM 完全相反。LLM 鼓励「一个大 prompt 干所有事」，Jev 要求每个问题只问一件小事：

❌ 「给这个创业点子打个分」
✅ 拆成三个问题：市场规模打分、技术可行性打分、差异化打分，用你自己的公式在代码里加权合并

好处：优先级变了改一个系数就行，不用重写 prompt；每个判断独立可靠，权重完全在你手里。这和系列第四篇 Skill 的思路异曲同工——确定性的事交给代码，模型只做最小粒度的判断。

四、它和 LLM 是什么关系：不是替代，是搭档

一句话分工：需要写字的找 LLM，需要拍板的找 Jev。

任务用谁

写文章、写代码、总结	LLM（系统二）
工单分类、LLM/工具路由、内容审核	Jev
RAG 重排	Jev（系列第七篇讲过 rerank，这里有了新选项）
Agent 护栏（第一篇的 max_turns 之外再加一道）	Jev 判断「这步操作安全吗」
意图识别后接 Function Calling	Jev 先分诊，LLM 再执行

注意它和 Function Calling 的区别：LLM 的 Function Calling 也是返回 JSON，但那是生成的文本，有幻觉风险，要解析校验；Jev 返回的是带置信度的类型化值，不存在「编一个不存在的选项」这种失败模式。

价格上也很直白：按输入 token 计费（约 $0.042/百万 token），输出免费——因为它根本没有输出文本。

五、泼点冷水：官方宣传里的水分

系列一贯的作风，宣传话术要过滤着听：

「零幻觉」是营销说法：准确地说它不会「自由发挥编文本」（因为不生成文本），但判断照样可能错——不然返回值里的 confidence 是干什么用的？

加速数字打架：官方说比 LLM 快 193 倍、便宜 444 倍；第三方实测是 518 倍，且某个对比里 Gemini 精度略高（只是贵 1020 倍）。数字都是任务相关的 benchmark，听个量级就好

版本别名会变：jev-latest 指向的模型会悄悄更新，结果可能变——官方文档自己都建议锁定具体版本号

闭源托管 API：没有开源权重，不能自部署，数据要出境的团队先掂量

总结

概念一句话

Jev	第一个「系统一模型」：不生成文本，只返回结构化判断
三原语	Choice（选）、Score（打分）、Noul（真假），混在一次调用里
设计哲学	原子问题，代码组合——判断粒度最小化，权重在你手里
与 LLM 关系	写字找 LLM，拍板找 Jev，搭档不是替代
冷水	「零幻觉」是营销，数字听量级，版本要锁定

大模型的地图上又多了一块新大陆：生成和判断拆成了两种模型。结合系列前几篇——Agent 的护栏、RAG 的重排、MCP 的路由，都是 Jev 的天然用武之地。感谢追更，点个关注。

三分钟带你快速熟悉了解最近爆火的 Jev