$0.042每 Mtok · 仅输入计费 · 输出免费
ms单次前向 · 无自回归
12.2×13 问合并一次调用的成本优势
1,500+首月生态项目星数
从这里开始
独立分析与实战指南——不是官方文档的复制。每篇都为了回答一个构建者真正会问的问题。
深度分析
Jev 为什么不生成文本
'决策层'论点：为什么生产环境里大多数 AI 是判断而非生成——RLCD 到底改变了什么。
阅读 →成本测算
定价与成本测算
$0.042/Mtok、输出免费。一份透明、假设驱动的「每百万次判断成本」对比：Jev vs LLM + JSON mode。
阅读 →实战指南
Choice / Score / Noul 实战指南
三种问题类型、各自适用时机，以及区分『能用』和『时灵时不灵』的设计规则。
阅读 →上手教程
架构模式，附可运行代码
投机式扇出、置信门控路由（完整 Python）、复合打分、意图路由——覆盖大多数构建的四个套路。
阅读 →参考资料
已知短板与规避
官方 jaggedness 清单，每条配一个可落地的生产规避——含 CJK 精度提示。
阅读 →动态追踪
生态图谱
首月的开源复刻、工具与 Demo——以及这个形状说明了这个类别的什么。
阅读 →一段话说清 Jev 是什么
Jev 是第一个 System One 模型：它做快速的结构化判断，而不是生成文本。你输入一个 state 加类型化问题（Choice / Score / Noul），它在单次前向里返回带校准概率的答案，你的代码据此分支。用 RLCD（RL for Calibrated Decisions）训练，瞄准 AI 栈里的决策层——路由、打分、门控——那些 LLM 又慢又贵又没校准的地方。完整独立解读见 Jev 是什么？