九月十五号，一个叫 TypeSafe 的实验室发布了他们第一个模型，名字是 Jev（读音接近“杰夫”）。这家公司 2024 年成立，之前隐身做了两年，融资 4000 万美元。创始人 Diogo Almeida 是 OpenAI 那篇 InstructGPT 论文的共同作者，那篇论文里的训练方法后来成了 ChatGPT 的基础。
Jev 不能写任何一句话。没有聊天窗口，不能写邮件，不能生成代码。你给它一段“状态”，再给它几个问题，它只回答这些问题，而且答案不是给人类读的段落，程序可以直接拿去用。
Almeida 在发布文里问了一个问题：大模型在聊天上超人类已经好几年了，为什么自动化一直没跟上？Jev 就是他对这个问题的回答。
截图来自 TypeSafe 官方文档（docs.typesafe.ai）
它到底能干什么
整个接口只有三种问题类型，理解这三个就理解它了。
| 问题类型 | 用途 | 返回什么 |
|---|---|---|
| Choice | 从预设选项里选一个：这篇文章属于哪个分类、这条工单该给谁处理 | 选中的选项，每个选项的概率，以及置信度 |
| Score | 按一个谱系打分：这条评论的愤怒程度、这段文案的清晰度 | 分数，各档位概率，以及置信度 |
| Noul | 判断一个是非题：这句话表达了紧迫感吗 | 0 到 1 之间的概率值 |
三种问题可以混在一次请求里，并行算完。加问题几乎不增加响应时间，官方给的延迟是 70 到 500 毫秒，价格是每百万输入 token 收 $0.042，输出免费（它本来也不输出文字）。接口规范在 TypeSafe 官方文档 里，不长，半小时能看完。
关于性能倍数，官方自己有三个不同口径：Almeida 的推文写“快 20 到 200 倍、便宜 40 到 400 倍”，官网首页写 193.6 倍和 444.6 倍，博客正文又写 40 到 200 倍。这三个数都出自 TypeSafe 自己的测试，官方也承认对比用的例子“对我们有利”，并说这些数字是“现实收益的高端”。第三方有人做过小样本复测，对便宜的小模型只快 5 倍左右。所以下面的内容 GK 全部自己跑了一遍。
GK 的测试：让 Jev 给全站文章分类
分类是这类工具的典型用途，而且有个好处：站里现成的分类可以当参照，不用主观讨论对错。
测试设计：
- 样本：站内全部 43 篇已发布文章，每篇送入标题和摘要（约 700 token），不是全文
- 问题一：这篇该归到哪个专题（六个现有专题做选项）
- 问题二：这篇是什么类型（评测 / 横评 / 教程 / 预警 / 工具箱）
- 问题三：这篇一年后是否还有效（是非题）
- 参照：Jev 的判断和文章在后台的实际归类比
结果
| 指标 | 数值 |
|---|---|
| 样本数量 | 43 篇（0 篇失败） |
| 与站内归类一致率 | 40 / 43 = 93.0%（样本小，95% 置信区间约 81% 到 98%） |
| 平均置信度 | 0.959（Choice 和 Score 两种问题才有这个字段） |
| 置信度低于 0.6 的 | 1 篇 |
| 单次平均耗时 | 0.71 秒（官方标称区间是 70 到 500 毫秒，实测包含网络往返后高于上限） |
| 总成本 | $0.0013，按汇率约合人民币 0.9 分 |
说明一下口径：一致率不是“准确率”。参照标准是站里的人工归类，而这个归类本身有问题，下面会说。另外问题二和问题三的结果这篇不展开，它们只用于验证工具的多问题能力，不算进上面的数字。
三篇判断不一致的文章，都在同一个专题上：
| 文章 | 站里归类 | Jev 的判断 | 置信度 |
|---|---|---|---|
| Giffgaff 封号潮：大规模停服背后的真相与自救指南 | 数字生活 | 海外支付 | 0.64 |
| 密码管理器完全指南：Vaultwarden 自建 / 1Password 家庭组对比 | 数字生活 | 软件工具 | 0.94 |
| 最新美区 Apple ID 注册指南：免信用卡 + 支付宝充值 | 数字生活 | 海外支付 | 0.97 |
比一致率更值得说的发现
这三篇在站里都归进了“数字生活”。
这三篇的判断，Jev 给出的答案比站里的归类更具体、也更合理：Giffgaff 是海外手机卡，Apple ID 那篇讲的是支付方式，密码管理器是软件工具。它们全进了“数字生活”，是因为那本来就是个兜底分类，东西一多，不好归的就往那儿扔。
自动化工具的存在意义本来是在已知规则下做重复劳动。这次它多干了一件事：用 43 个样本，把 GK 自己都没意识到的一个结构问题照了出来。
它会说“我不确定”，但这不是保险
43 篇里有一篇，Jev 只给了 0.43 的置信度，明显低于其它文章。那篇是 eSIM 实测对比，内容同时涉及海外通信、支付和数码产品，站里同样归在“数字生活”。这个模糊是真实的，Jev 没有硬答，把不确定性直接暴露在了数据里。
不过要说清楚：置信度高不代表判断对。上面三篇里，密码管理器和 Apple ID 那两篇的置信度分别是 0.94 和 0.97，判断依然和站内归类不一致。官方自己也承认模型会“自信地犯错”。所以置信度的正确用法是配合人工复核，用它把“值得看一眼”的挑出来，而不是当自动放行的开关。
它的真正价值在于返回结果的形式：不是一段需要解析的文字，而是程序能直接判断的结构。官方管这个叫“数值上不可能出现类型错误”，因为可能的输出在提问时就已经定义好了。
GK 是怎么用它干活的
测试之后，GK 把这套逻辑写成了一个工具，两个用途：
- 发布前检查：新文章写完，把标题和摘要丢进去，它会告诉 GK 该归哪个专题、属于什么类型、以及这个判断有多可信
- 全站巡检：定期跑一遍全部文章，比对实际分类，把不一致的和低置信度的挑出来，人工过一遍
整个过程里做决定的仍然是代码，AI 只回答“这属于哪个分类”这一个窄问题，剩下的流程、阈值、异常处理全部由程序控制。这是官方推荐的使用方式。站内讲 DeepSeek Harness 完整教程 那篇里也聊过类似思路，区别在于 Harness 把模型当执行器，Jev 把模型当判断器。
哪些人适合，哪些人不适合
适合：需要在软件里做大量重复判断的场景，比如内容分类、工单分流、评论审核初筛、检索结果重排。判定条件是：这个判断一年要做几千次，而且人能说清判断标准。
它和提示词技巧解决的是两件事。站内那篇 Prompt 模板 讲的是怎么把话说清楚、让聊天模型听懂；这里的场景连“说”都用不上，直接把判断标准写成选项和等级，拿回来的就是程序能用的值。
不适合：
- 想要一个“更好的 ChatGPT”：它连一句话都写不出来，这就是它的设计
- 需要生成内容的场合：写文案、写代码、写回复，它一样都做不了
- 需要“讲道理”的判断：它能告诉你结论和可能性，不告诉你推理过程
- 中文等高要求场景直接上生产：官方文档明确写了，它在英语上表现最强，含中日韩文字的语言“可用但明显较弱”，非英语任务必须先自己测
- 现在就要在生产上用：它还在早期，官方文档里有一整页列着已知缺陷，行为也会随版本变化
那份“已知缺陷”清单值得单独看一眼，官方自己列的包括：计数和算术不可靠、日期容易被当文本处理、间接提问表现差、无关内容会造成上下文干扰、状态内容不防提示注入。这份清单本身就是判断依据：它适合做窄判断，不适合当万金油。
还有一条值得提前知道：它的判断质量不如最贵的那些模型。有人做过个人评测（不是机构评测），速度和经济性接近满分，判断质量只给到 8.1/10。官方自己给的参考数据里，四个工作流的平均一致性约 68%，而且在其中几个工作流上准确率并不是第一，数字类的任务明显偏弱。参考标准还是模型生成而非人工标注的。站内 AI 订阅省钱方案 那篇算过一笔账：当一项能力便宜到可以忽略，用法就会从“省着用”变成“随手就用”。
想自己试？三条路，从零门槛到接进项目
上面这些结果都是 GK 跑出来的。想自己上手的话，不用一上来就写代码。
第一条：Playground，最快。打开 console.typesafe.ai，用 Google 账号或邮箱验证码登录，进 Playground。把一段文字粘进去当“状态”，再写一个问题，比如“这条消息是否表达了紧迫性”，立刻就能看到结果。适合先感受一下它到底怎么回答。
Playground 里的一次真实操作：贴进一篇文章标题，问它该归到哪个栏目
第二条：API，最直接。在控制台的 keys 页面生成 API key，往 api.typesafe.ai/v1/systemone 发一个 POST 请求：state 放你的材料，questions 放你要问的问题和判断标准。返回的不是一段话，是代码能直接用的结构化结果，包括选项、每个选项的概率、以及置信度。
第三条：SDK，最省事。官方提供 Python 和 JavaScript 客户端，装好之后用 Choice、Score、Noul 三个类把问题写出来，不用自己拼 JSON。
下面是一次真实调用：给 Jev 一段客服消息，同时问三个问题，分别是要转给哪个团队、客户情绪有多强、是否紧急。
注意 department 那一项。它选了 billing，但置信度只有 0.57，概率分布是 billing 0.72、technical 0.28。“Stripe 收款账号连不上”本来就同时像账务问题和集成问题，它没有硬挑一个然后装作很确定，而是把这份犹豫交了出来。官方文档给的做法也是这个思路：置信度低就转人工。同一批问题里的另外两项，情绪和紧迫性，它给的是 0.97 和 0.95，那种情况代码可以放心自动处理。
它答得准不准是一回事，能不能说清自己有多确定是另一回事。后者才是把这类模型接进流程的前提。
完整的接入教程单独写了一篇：三种提问原语的写法、五个能直接抄的实战案例、官方承认的已知缺陷，还有实测成本。想看怎么把它接进自己的流程，读 Jev 完整教程。
发布之后，圈里发生了什么
这一节记录发布后的变化，有新进展会继续补。
扩散得很快。Vercel 把它接进 AI Gateway 之后公布过一个数字：上线 24 小时内，近 13% 的付费团队已经用过它，是平台历史上采用最快的一次模型发布。Cloudflare 也有接入点，LangChain、Pydantic AI、LiteLLM 这些框架陆续跟上。
开源复刻也来了。几天之内出现好几个同类项目，其中 Laya 走得最远：Apache 2.0 完全开源，官方标称延迟 32.8 毫秒、比 Jev 快近 8 倍，自托管零成本。但它的局限写得很实在：基础模型在部分基准上接近随机水平，必须针对自己的领域数据微调才能用；分类选项超过 20 个时性能明显下降，在 77 个标签的那组测试里只拿到 0.425，而 Jev 是 0.870。速度快、免费，不等于能直接用。
独立实测给了另一面。有媒体用 50 条中文客服问题做过一组测试，每条要完成紧急度、售前概率、处理类别、严重度四项判断，四项全部符合人工标注才算对。Jev 的完整准确率是 64% 到 65.2%，在同价位小模型里排第二，比 DeepSeek V4 Flash 少 1.2 分。它没拿下准确率第一，赢的是另外两项：平均每题 0.73 秒，50 题总成本 0.002 美元，都是那组测试里最低的。
还有一个值得记住的细节。那组测试发现，Jev 的失分有不少卡在阈值附近。人工标注某条消息的严重度下限是 2.00，它给出 1.99；另一条临期食品问题的紧急度标注 0.75，它给 0.71 到 0.72。差距很小，但如果业务规则写的是“达到 2.00 才转人工”，1.99 和 2.00 在程序眼里就是两个完全不同的信号。重复跑 15 次，有 3 道题出现过通过和不通过交替。
所以它强在哪这件事，可以说得更准确一点：不是判断更准，是“快、便宜、说得出自己有多确定”这一组取舍。上面那个 93% 的一致率是特定场景的结果，不是通用成绩单。
诚实声明
按 GK 的规矩，把这篇里数据的来源摊开讲：
- 一手实测：43 篇文章的分类测试、40/43 一致率、置信度分布、单次 0.71 秒、$0.0013 成本、低置信度 0.43 那篇，全部是 GK 用自己账号调用 API 跑出来的，逐篇明细都留着
- 资料整理：Jev 的技术原理、公司背景、定价、官方宣称的性能倍数、第三方评测分数，来自 官方发布文、官方文档和公开的分析文章。文中的“68% 一致性”“8.1/10”出自第三方，非官方数字
- 样本局限：43 篇全部来自同一个站点、同一批写作风格，样本偏小也偏同质，一致率 93% 这个数字不宜直接外推到其它场景
- 没有做的事：没有测高并发下的稳定性，没有测长时间运行的可靠性，也没有跟其它模型做同任务对比
- 商业关系：没有 TypeSafe 的返佣、合作或送测，这篇文章也没有推广链接。这东西目前不存在联盟计划
Jev 的走法跟“把模型做大”是两个方向：它想成为软件里一个可信的零件。这条路对不对现在没人知道，但它便宜到这个程度，值得花十分钟用你自己的数据测一遍。
