Jev 是什么？一个独立视角看 System One 模型

Jev 是它所属类别——官方称之为 System One——里的第一个模型：它不生成任何一段文本。你给它一个 state（结构化事实）和一批类型化问题，它返回带校准概率的结构化答案，你的代码直接读取答案并分支。产品就这么多。

名字的由来——为什么它重要

这个名字明显致敬 Kahneman 的《思考，快与慢》：System 1 快、自动、直觉；System 2 慢、费力、深思。生成式 LLM 是 System 2 机器：擅长产出文本，但被拿来当分类器或门控用时，你要为慢、贵、以及"必须把文本再解析回结构"付出代价。

TypeSafe 的核心论点是：生产环境里大多数 AI 工作不是生成，而是决策——路由一张工单、打一个风险分、判断某步操作是否安全、对检索结果重排：每分钟成千上万次小型、快速、近似是/否的判断，机器对机器，没有人去读输出。Jev 就是为这一层而生的，也只服务这一层。

怎么训练的：RLCD，第三条路线

后训练有两个著名配方：RLHF（造就了聊天助手）和 RLVR（可验证奖励 RL，造就了逐步推理）。TypeSafe 的 CEO Diogo Almeida 正是 RLHF（InstructGPT）的共同发明人。他们的新配方是 RLCD——RL for Calibrated Decisions——训练模型输出「决策 + 校准概率」而非文本。

校准是承重墙。一个说"80%"、且约 80% 的时候真的会发生 的模型，可以被当作控制信号来信任。这正是你能把它的输出直接用在生产逻辑阈值里、而不是去人肉读一段话的原因。

怎么跑的：单次前向，无自回归

一个请求里的所有问题都在一次前向、并行且互相隔离地评估，没有逐 token 解码。后果是实际的，不是学术的：

• 输出 token 免费——你只为输入（state + 问题）付费。
• 延迟是毫秒级，而且加问题几乎不增加耗时——加一个问题几乎是免费的，这会改变你设计调用的方式（见 投机式扇出）。
• 问题之间不会互相污染——隔离意味着一个刁钻问题不会带偏另一个问题的答案。

它不是什么

它不是聊天机器人，不是 LLM 的替代品，也不是通用"AI 大脑"。它不能生成文本，在一切数值或多跳任务上最弱，对 state 里的 prompt 注入也没有内置防护。如果你抱着"更聪明的 GPT"的期待来，会失望；如果你来找一个便宜、快速、可信任的判断原语接进软件里，这是货真价实的新工具。本站其余内容，就是把它当这样用的实战指南。