名字源自 Kahneman《思考，快与慢》：System 1 快而直觉，System 2 慢而深思。LLM 是 System 2——擅长生成，但被拿来当分类器用时又慢又贵还得解析。Jev 是第一个 System One 模型：只做快速、结构化的判断，概率经过校准（说 0.8 的事，约 80% 会发生）。
RLHF 造出聊天机器人，RLVR 造出推理模型，而 TypeSafe 用 RLCD（RL for Calibrated Decisions）训练模型输出「决策 + 校准概率」而非文本。CEO Diogo Almeida 正是 RLHF 的共同发明人（InstructGPT）。
所有问题在同一请求内并行且互相隔离评估，一个前向算完所有答案，所以输出 token 免费、延迟以毫秒计。实测 11 个问题一次调用约 0.3 秒、0.0002 美元。
TypeSafe 的赌注：未来 AI 自动化 99% 是机器对机器。问题必须原子化（专家几秒可判断），复杂判断拆成多问、权重逻辑放在你的代码里。
问题三要素：id（仅代码用，不发给模型）、instructions（要判断什么）、criteria（选项/量表定义）。三类可自由混在一个请求里，加问题几乎不增加耗时。
从固定选项中选一个，返回 choice + 每选项概率 + confidence。适合路由、分类：工单分派、文档类型、意图识别。答案永远约束在你给的选项内。
沿有序量表定位，返回 score（可落在两档之间）+ 分布 + confidence。适合严重度、情绪强度、质量分级——档位含义由你定义。
返回「是」的概率（0–1）。适合概率本身有用的场景：是否退款请求、是否包含 bug 报告。注意：Noul 没有独立 confidence 字段，概率即信号。
当前版本 jev-1.13.0，别名 jev-latest。只收输入 token，输出免费。
| 项目 | 规格 |
|---|---|
| 价格 | $42 / Btok（即 $0.042 / Mtok），仅输入计费，输出免费 |
| 限速 | 250,000 tokens/秒 · 1,200 请求/分钟（官方称动态调整中） |
| 上下文 | 64k 总预算；state + 最长问题 ≤ 32k（约 15 万字符英文） |
| 输入 | 纯文本：string / JSON object / array；不支持图像、音频、视频 |
| 语言 | 英文最准；中文等 CJK 可用但精度偏低，务必自测 |
| 微调 | 不做客户级微调，靠 state 塞领域材料 + criteria 写规则 + 代码加权 |
去 console.typesafe.ai 拿 API key，一个 POST 就能跑起来。
curl -X POST https://api.typesafe.ai/v1/systemone \
-H "Authorization: Bearer $TYPESAFE_API_KEY" \
-H "Content-Type: application/json" -d @- <<'EOF'
{
"state": "Our Stripe integration has been
failing for 3 days and we can't ship
any orders!",
"model": "jev-latest",
"questions": {
"department": {
"type": "choice",
"instructions": "Which team should
handle this",
"criteria": {
"billing": "Payment issues",
"technical": "Bugs / integration",
"sales": "Pricing questions"
}
},
"is_urgent": {
"type": "noul",
"instructions": "Does this convey
urgency?"
},
"frustration": {
"type": "score",
"instructions": "How frustrated is
the customer",
"criteria": ["Calm", "Frustrated",
"Very angry"]
}
}
}
EOF
# 返回：类型化答案，代码直接用
{
"answers": {
"department": {
"choice": "technical",
"probabilities": {
"technical": 0.93,
"billing": 0.05, "sales": 0.02 },
"confidence": 0.88
},
"is_urgent": { "noul": 0.999 },
"frustration": {
"score": 1.62, "confidence": 0.79 }
},
"usage": { "input_tokens": 312 }
}
官方 Patterns 文档总结的高频用法——把大判断拆成原子问题，组合逻辑留在代码里。
把所有可能用到的问题一次发出（含投机问题），代码按需取用答案。反正并行、便宜，宁滥勿缺。
confidence 是第二决策轴：高置信自动执行、中置信请人确认、低置信转人工。阈值随风险分级——转账要 0.9+，查余额 0.5 就够。
复杂评级拆成多个 Score（如 bug 严重度 × 客户情绪 × 可复现性），在代码里加权合成。调权重改代码即可，不用改 prompt。
先 Choice 分类用户意图，再路由到确定性代码 / 专家 LLM / 人工。让 90% 的简单请求根本不碰大模型。
TypeSafe 公开了 jev-1.13 的 jaggedness（能力毛边）清单——这份坦诚在业界少见，也是用好它的关键。
发布一个月内 GitHub 上已涌现一批项目（星数为 2026-09 中旬快照）。
用开源模型在本地 3090 上复刻 semantic if，独立项目。
官方精选：用例、模式、prompt、起步代码合集。
用 Jev 做分级代码审查的工作流 + 本地面板。
Jev agent 玩超级马里奥：结构化模拟器状态 → 按键决策。
Postgres 扩展：用自然语言查你的数据表。
用 Jev 驱动浏览器操作，一次往返定操作 + 目标。
本站持续追踪 Jev 与 System One 赛道的公开动态。
SemIf、pg-jev、jev-review、typesafe-mario、foreman 等项目集中出现；开源复刻（mini-jev、Qwen-2.5-1B-RLCD）也相继跟进。
lindfors.no 用 24 篇挪威语听证信实测：0.31 秒、约 $0.0002/次；关键发现是「它答错的题，恰好也是它 confidence 最低的题」——不确定性信号值得信任。
「Introducing System One Models and Jev」登顶 Hacker News；实时打 Doom 的 Demo 引发热议，也有对延迟对比口径的质疑。官方回应：coding 场景（state 工程）尚未开做。
jev-1.13.0 上线，定价 $42/Btok、输出免费；官方同步放出文档、Python/JS SDK、四大 Patterns 与 Playground。
不能，也不打算。它是生成层的互补：LLM 负责生成，Jev 负责路由、验证、打分、门控这些「每秒成千上万次的小判断」。官方建议用 confidence 门控决定什么时候升级到 LLM 或人工。
三个字：快、便宜、稳。单次前向毫秒级返回；$0.042/Mtok 约为最便宜聊天模型的零头；概率是训练目标（校准）而非副产物，且带现成的 confidence 供门控。
意图路由、内容审核、工单分类、RAG 重排、风控打分、agent 动作门控、数据抽取校验——凡是「规则写不死、LLM 又太贵」的判断点。
可用但官方明说英文最准，CJK 精度偏低。生产使用前务必用自己的中文数据实测，并重点盯 confidence 做路由兜底。