Jev

資料來源#

• Building Prod with Jev and LangGraph
• Inside the JEV Ecosystem: 13 Answer Verifiers on One Test Set
• Introducing System One Models & Jev

這是什麼#

TypeSafe AI 推出的首款公開模型，由創辦人 Diogo Almeida（曾任職 OpenAI；他表示曾參與 ChatGPT 背後的指令遵循研究）於 2026-09-15 開放早期體驗，當時公司已秘密開發兩年。TypeSafe 將這類模型稱為 System One Models，名稱取自 Kahneman 對快速與慢速思考的區分；Jev 則以 William Stanley Jevons 命名，押注智慧成本每下降一個數量級，用量就會增加超過一個數量級。其一句話主張是：「前沿智慧的函式呼叫：輸入非結構化狀態，輸出具型別的機率決策。」 以下內容均出自發布文章，除非另有來源，否則屬於 vendor-claim。

• 不是 LLM，也不輸出字串。 輸出空間預先宣告（每個問題可輸出 bool、score 或 choice）；所有輸出會在一次查詢中平行產生，而非逐一產生 token。choice 的基數最高可達 255；超過此上限時，廠商會先評分、再選擇，速度會明顯變慢。
• 以 RLCD 訓練——「Reinforcement Learning for Calibrated Decisions」（校準決策強化學習）：其目標是讓模型在 System One 任務上給出符合認知誠信的機率，並明確對比 RLHF（偏好文字評分者青睞的輸出）和 RLVR（可用程式檢查的輸出；廠商稱這種方法在判斷任務上會產生「尖峰化／不穩健的智慧」）。目前未公開演算法細節；訓練資料全由內部合成（「主要是一間資料研究實驗室」）。
• 價格與速度。 每百萬輸入 token 收費 $0.042，輸出不計費；端到端耗時 70–500 毫秒（相較之下，前沿 LLM 的報價為 3–329 秒）。廠商承認無法證明這個價格沒有補貼。
• 型別錯誤。 依設計為 0%——綱要比對有保證，因此錯誤率圖表中的 0% 標線明確標示為非實證數據。

獨立測量結果#

第三方數據僅見於 Typed Decision Verifiers：在 Proto_AGI 共用的 2,018 筆答案正確性資料集（empirical）上，Jev 的 AUC 為 0.7350，與 VIDRAFT 的 ZTC 397B 在統計上並列第一，高於 GPT-5.2（0.7148）；每 1,000 次呼叫的成本約為 $0.024，相較之下約 $0.55。但若把它當成預算上限為 20% 的重試閘門，端到端代理程式準確率只變動 −0.07pp，也就是「修好的錯誤和弄壞的正確答案差不多一樣多」，因為它導向重試的 403 筆項目中，有 216 筆原本就正確。同一研究指出，Convai 的 Laya（每次呼叫約 0.015 秒）「比我們測得的託管 API 快約 140 倍」；依上下文推測，該 API 幾乎可以確定是 Jev，換算後每次呼叫約需 2 秒，遠高於廠商宣稱的 70–500 毫秒區間（廠商也提醒，自家的延遲評估是在靠近服務的美國西岸筆電上執行；該研究沒有說明用戶端位置或輸入長度）。該研究的獨立性也沒有最初記錄時看來那麼明確——詳見 Typed Decision Verifiers 的利益衝突說明。圍繞 Jev 的生態系——ZTC、開源重製版 open-jev、Laya——之所以出現，是因為 Jev 為這個類別命了名。

在合作夥伴的編排流程中（LangChain，2026-09-25）#

第二份第一手說明並非來自 TypeSafe，而是來自整合合作夥伴： Building Prod with Jev and LangGraph（Sydney Runkle 與 Hunter Lovell，LangChain 部落格，vendor-claim——LangChain 銷售文章展示的 LangGraph 執行環境和 LangSmith 追蹤工具）。文章補充三項數據，均非 TypeSafe 提供，也都沒有說明測量方法：

• 探索審查：分類步驟比 Sonnet 快 5–6 倍。 一個 LangGraph 圖表會針對每個訴訟頁面一次詢問 Jev 三個問題（是否需要回應？是否包含 PII？是否可能享有特權？），每個答案都會對應到一種處理路徑——擱置、由 LLM 遮蔽資料，或觸發 attorney_review 中斷，暫停圖表並交由人工處理。在同一個圖表中以 Sonnet 取代 Jev 作為分類器後，「在多次試驗中」分類步驟慢了 5–6 倍。文章未提供準確度、一致率、頁數或 Sonnet 版本，只有速度數據。
• 100 次重複執行中的評審穩定性。 在「Jev 作為評審者的早期實驗」中，其分數「在 100 次重複執行中幾乎沒有變動，遠低於我們測試過的任何 LLM 評審者」。文章沒有列出數值、任務或評審者名稱。這裡測的是執行間的一致性，與校準或準確度是不同特性——確定性函式可以完全一致，也可以一致地出錯。
• Browserbase Stagehand act()：中位延遲從 1.97 秒降至 0.46 秒（約快 4.3 倍）。 Stagehand 標記頁面上的互動元素；Jev 選擇動作類型及最佳候選元素；任何信心低於 0.7 的決策都會改由 LLM 處理。數據來自「早期測試」，由 Browserbase 提供並經轉述；沒有任務成功率或後備處理比率數據。

文章的說法是，Jev「從前沿 LLM 套裝中取出一項能力——判斷——並把它變成便宜到不必計量的基本元件」，部署方式則是**「預設低成本，例外時才使用前沿模型」**（Jaya Gupta 所說的「智慧大拆分」）。這將 Jev 定位為依信心門檻升級模型的串接流程中的第一階段，而非 LLM 的替代品：「Jev 並未完全取代多數使用情境中的 LLM。」文章將 TypeSafe 的基準測試重述為「速度最高可快 200 倍、價格便宜 400 倍」（將發布文章的 193.6 倍／444.6 倍四捨五入）。唯一的採用訊號，是一則尚無其他佐證的開發者引言：「我現在基本上正把手上的每個代理程式都改成由 Jev 驅動的工作流程。」

相關連結#

• Typed Decision Verifiers——定義這個類別；該頁同時收錄發布時的宣稱及用來檢驗它們的獨立排行榜
• Trained Calibration——RLCD 是廠商命名的第四種校準訓練途徑：把校準當成決策模型的完整目標，而非加在聊天模型上的誠信功能
• The Bitter Lesson——廠商提出的反向標語「最苦澀的教訓」：與資料、運算或演算法相比，針對正確任務最佳化更重要
• Crystallizing Agent Work into Workflows——Jev 主打的用途（在手寫控制流程中充當「聰明的 if 陳述式」），就是該頁所述、以模型產品形式銷售的 Type 2 混合式執行；LangChain／LangGraph 文章則直接建構了這種 Type 2 型態，背後沒有升級路徑
• Reasoning–Acting Interleaving (ReAct)——Stagehand 的 act() 重建，將該頁所述「從列舉的有效集合中，以分類方式選擇動作」實際部署於正式環境，而 Jev 的 255 種 choice 基數就是列舉上限
• Cost-per-Task Over Cost-per-Token——「預設低成本，例外時才使用前沿模型」：Jev 作為依信心門檻升級之串接流程中的低成本第一階段

資料來源#

• Introducing System One Models & Jev——Diogo Almeida，TypeSafe AI 部落格，2026-09-15，vendor-claim：比較表、工作流程評估的 Pareto 圖、結構化輸出／工具呼叫錯誤率圖表、常見問答。攝取資料時從圖片轉錄圖表數值；散點數值為近似值（對數座標軸）
• Inside the JEV Ecosystem: 13 Answer Verifiers on One Test Set——Proto_AGI（mayafree），HuggingFace，2026-09-20，empirical：獨立 AUC 排行、重試閘門實驗及託管 API 延遲比較
• Building Prod with Jev and LangGraph——Sydney Runkle 與 Hunter Lovell，LangChain 部落格，2026-09-25，vendor-claim（整合合作夥伴；銷售 LangGraph／LangSmith）：探索審查圖表及其相較 Sonnet 快 5–6 倍的分類速度、100 次執行的評審穩定性宣稱、Browserbase 的 Stagehand act() 延遲（轉述數據）、三種建置方式圖，以及 LangSmith 決策檢視畫面截圖（編譯時閱讀；範例頁面上的 contains_pii = 0.98）