Jev
路线：反着对话模型做
官网把研究立场写得比产品更靠前：人类反馈的强化学习把模型优化成面向人类偏好的「聊天」形态——指令跟随极强，却带来模式坍缩、过度自信与不可靠，因而必须有人在环。TypeSafe 说自己走了相反的方向：构建一类名为 System One 的模型，让机器原生使用；配套的是新架构、新采样器和一套新的训练算法——官方称为「面向校准决策的强化学习」。这个立场解释了 Jev 的一切取舍：它不追求把话讲好，而是追求把判断做稳、做快、做得可编程。
深度介绍
Jev详细介绍
决策而非字符串
官方把差异总结为三句话：输出是类型化的、软件可以直接作用其上；每个决策都附带一个对置信程度的估计；以及「更像代码」——可靠、快速、自洽、类型安全。首页还有一条对比更直白：对话模型产出给人读的词，Jev 产出给程序用的类型化决策，是机器原生的智能。对做自动化的团队，这句话的实际含义是：下游不需要再从自由文本里解析出结构，也省掉了一层容易出错的提示词工程。
三类问题：选择、评分、概率
文档把提问抽象成三种原语。Choice 是从给定选项里选一个，答案带被选项、每个选项的概率与置信度；Score 是按有序的、有描述的等级打分，答案带分数、每个等级的概率与置信度；Noul 问一个是非问题，返回「是」的概率（不带置信度）。三类可以在一次调用里混着问——同一段状态被评估一遍，所有问题并行求值、结果一次返回。文档还提到指令、选项、等级与判据都接受 JSON 结构，便于把问题定义成可复用的模板。
接口与接入方式
上手路径官方给了两条：在线 Playground 里贴一段文本当状态、加一个问题直接看结果；或者用接口——对统一端点发一次带密钥的请求，请求体里给状态、问题与模型名，模型字段用来选型号（快速开始的例子里写的是最新别名）。输入只吃文本，图片、音频、视频与二进制都要先预处理成文本或结构化字段再送。配套有 Python 与 JavaScript 客户端开发包，异步与同步两种客户端都有，返回里除了答案还会带置信度、token 用量与可用模型列表；限速超限返回 429，开发包默认按退避重试并尊重响应头里的重试指令。
置信度：决定要不要动手的第二道闸
官方对置信度的说明是这页最好用的部分：选择与评分的答案都带概率分布，分布集中等于有把握、摊平等于没把握；置信度就是把这个分布压成一个 0 到 1 的数字，方便直接设阈值，而原始概率仍然全给你，不锁死你的算法。配套模式里最值得记的是置信度门控路由——答案告诉你「是什么」，置信度告诉你「该不该动手」；还有一句很实在的话：「我不知道」本身就是一个有用的信号。另三个模式是投机式多问、把复杂判断拆成原子评分再在代码里加权组合，以及意图分流。
快与省：官方给的量级
首页给出的数字是：比对照方案快 193.6 倍、便宜 444.6 倍，官方注明这是按 System One 类任务的典型流程做的验证；旁边给了一组示例数字——同一流程一边花费约 0.000081 美元、耗时 0.114 秒，另一边约 0.013880 美元、耗时 8.566 秒。价格页的口径则更直接：输入每百万 token 0.042 美元，输出 token 不收费。把「输出免费」和「快百倍」放在一起看，它的经济性来自同一件事——模型不生成给人读的长文本，只吐定长的类型化结果。
当前型号、上下文与限速
当前型号是 1.13 版，官方文档里写为具体版本标识，另有最新别名可用；所有型号走同一个端点，靠请求里的模型字段区分。上下文是每次请求 64K——状态与全部问题合计在这个预算内，若按「状态加最长的单个问题」计算则是 32K；状态只被摄取一次，所有问题对它并行评估，所以一次塞多个问题并不会重复计费状态。限速为每秒 25 万 token、每分钟 1200 个请求，但官方同时声明限速会动态调整（正处在大规模放量期），更高额度走定制与企业计划。另有一个叫「模型锯齿」的参考页，讲状态变长时准确率如何波动，长文本场景值得先看一眼。
生态与热度：官方文档 + 社区
官方文档除了快速开始，还有面向编码 Agent 的说明与一个「Agent 技能」页——把 Jev 接进编码智能体是官方明确支持的用法，另外有交互演示、智能家居示例与法务条款页。社区侧则明显被最近的热度带动：有收录官方资源与社区项目的资源目录（含实时站点与独立测试）、有做模型间实测对比的开源竞技场仓库，以及若干从零复现其思路的开源实现。媒体报道把它形容为「不说话的 AI」，全量开放与赠送额度的说法出自媒体口径、非官方页面；APUS 的跨平台开源复现也由多家媒体报道。评估时以官方文档的数字为准。
产品特点
核心功能与独有价值
返回类型化答案，程序直接可用
Choice 给选项加每个选项的概率与置信度，Score 给等级分布，Noul 给「是」的概率——没有自由文本要解析，没有提示词要伺候。下游代码拿到的就是可比较、可加权、可进类型系统的结构，这正是「给软件一个类型化的判断」的含义。
一次调用，多个问题并行
状态只被摄取一次，所有问题对同一份状态并行求值、结果一次返回。想一次既分类又打分再问紧急度，不需要多次往返；配套的投机式多问模式还鼓励先把可能用到的问题都抛出去，用代码决定哪条答案有用。
置信度是独立的第二道闸门
答案告诉你「是什么」，置信度告诉你「该不该动手」：官方把置信度门控路由做成标准模式，并明确「我不知道」也是有用信号。对自动放行还是转人工的场景，这个语义拆分比在自由文本里猜要稳得多。
输出不收费，高频自动化更划算
官方价格口径是输入每百万 token 0.042 美元、输出 token 免费，配合官方给出的百倍级提速与四百倍级成本差，它适合放进高频、批量的判断流水线——这类场景里每条记录的判断成本几乎是纯输入成本。
最近动态
重要更新
九月核验：型号、价格、限速与文档结构
核验时官方文档给出的当前型号是 1.13 版（附具体版本标识与最新别名），价格为输入每百万 token 0.042 美元、输出免费；限速为每秒 25 万 token 与每分钟 1200 请求，官方同时声明限速会动态调整、正处在大规模放量期，更高额度走定制与企业计划。上下文口径为每次请求 64K（状态加全部问题）或 32K（状态加最长单问题）。文档目录也已成体系：快速开始、面向编码 Agent 的说明、三种问题原语、置信度基础、四种架构模式、双语言开发包、模型与法务参考，外加「模型锯齿」专页。
九月：热度、免费额度与开源复现（媒体口径）
近两周多家中文与韩文媒体报道了这款「不说话的 AI」，中文媒体多以「不会说话的 AI」「哑巴模型」形容，并报道官方全量开放、面向所有用户赠送 1.2 亿 token——这两项均出自媒体口径，官方页面未见对应数字，评估时请以官网与价格页为准。同期开源社区反应很快：APUS 的跨平台开源复现由新华社等媒体报道（9 月 20 日前后），社区还出现了收录官方与社区项目的资源目录、模型间实测对比的竞技场仓库，以及若干从零复现思路的开源实现。
产品总结
Jev 是 TypeSafe AI 的旗舰模型，也是官方所说的第一个 System One 模型。要理解它得先看官网的研究立场：人类反馈的强化学习把大模型优化成面向人类偏好的对话形态，指令跟随极强，但伴随模式坍缩、过度自信与不可靠，因此必须有人在环；TypeSafe 说自己走了相反方向——构建一类由机器原生使用的模型，配套新架构、新采样器与一套称为面向校准决策的强化学习的训练算法。由此得到的取舍很一致：不产给人读的词，只产给程序用的类型化判断。 用法上，官方把它抽象成三种问题原语：Choice 从给定选项中选一，返回被选项、每个选项的概率与置信度；Score 按有序且带描述的等级打分，返回分数、每级概率与置信度；Noul 问是非题、返回「是」的概率（不带置信度）。三类问题可以在一次调用里混问——状态只被摄取一次，所有问题对它并行求值、结果一次返回；指令、选项、等级与判据还支持 JSON 结构。接入有两条路：在线 Playground 贴状态直接看结果，或对统一端点发带密钥的请求，请求体含状态、问题与模型字段（最新别名或具体版本）。输入只吃文本，非文本需先预处理；Python 与 JavaScript 开发包提供同步与异步客户端，返回含置信度、token 用量与可用模型，限速超限返回 429 并按退避重试。 置信度是官方强调的核心机制：选择与评分答案都带完整概率分布，置信度把分布压成 0 到 1 的单一数字以便设阈值，且不锁死用户的算法——原始概率始终返回。配套的四个架构模式里，置信度门控路由最实用——答案回答「是什么」，置信度回答「该不该动手」，官方还点明「我不知道」本身是有用信号；另有投机式多问、原子评分加权组合、意图分流（分流到确定性逻辑、专用大模型或人）。规模数字方面，官方首页给出比对照方案快 193.6 倍、便宜 444.6 倍（注明按 System One 类任务流程验证）与一组示例耗时成本对比，价格则是输入每百万 token 0.042 美元、输出免费——输出不收费正是它经济性的来源。 当前型号与限制也写在文档里：1.13 版（附具体标识与最新别名），所有型号共用一个端点、靠模型字段区分；上下文为每次请求 64K（状态加全部问题）或 32K（状态加最长单问题），状态只摄取一次、问题并行求值；限速每秒 25 万 token、每分钟 1200 请求，官方声明动态调整、放量期会有变化，更高额度走企业计划；另设「模型锯齿」参考页讲状态变长时的准确率波动。生态上，官方文档有面向编码 Agent 的说明与 Agent 技能页；社区侧有资源目录、实测竞技场与多个开源复现，APUS 的跨平台复现经媒体报道。关于热度：「不说话的 AI」的传播与赠送 1.2 亿 token 的说法均出自媒体口径，官方页面未见对应数字，选用时以官网为准。
- 产品类型
- 决策模型与类型化判断接口
- 支持平台
- 云端接口（HTTP POST，密钥鉴权） / 在线 Playground 与控制台 / Python 与 JavaScript 客户端开 / 编码 Agent 技能说明 / 三类问题可一次调用并行求值
- 资费模式
- Jev 1.13 输入每百万 token 0.042 美元、输出免费；限速 25 万 token/秒与 1200 请求/分，企业计划可提额。
核验信息
参考文章与数据来源
本页事实来自官方渠道：官网首页（反向对话模型的立场与 System One 定位、新架构与新采样器与校准决策强化学习、类型化输出与校准置信度三点主张、193.6 倍与 444.6 倍数字及其验证说明、示例耗时与成本、控制台入口），官方文档（Jev 定位描述、快速开始的 Playground 与端点与请求体与模型字段、三种问题原语及各自返回类型、置信度的分布与 0 到 1 阈值说明、四种架构模式、双语言开发包与 429 重试行为、模型页的价格与限速与上下文与纯文本输入口径、模型锯齿与法务与编码 Agent 与 Agent 技能页），以及社区资源目录、实测竞技场与开源复现仓库。媒体口径（传播现象、全量开放与赠送 1.2 亿 token、APUS 复现报道）已在正文标注为媒体而非官方数字。页面未列出官网对比中出现的第三方品牌与模型名称。状态核验于 2026 年 9 月 22 日。
用户体验调查
Jev介绍页面对您是否有帮助？