Jev - TypeSafe AI

三種型別化問題原語

TypeSafe 提供 Choice（選擇）、Score（評分）和 Noul（布林判斷）三種原語問題類型。Choice 從定義清單中選擇一個選項，Score 根據有序級別對內容評分，Noul 評估是或否的陳述。每種都回傳帶機率與信心的型別化答案。

平行評估

單一請求中的所有問題都會針對同一狀態平行評估。增加問題幾乎不會改變回應時間，獨立評估也避免了問題之間的上下文腐化（context-rot）。

校準信心與機率

每個 Choice 和 Score 答案都包含信心估計與機率分佈。軟體可以基於這些值進行分支、排序和路由，並在信心低時升級為人工審查。

零幻覺、型別安全輸出

可能的輸出預先定義，文字產生層被完全跳過。模型從不產生型別錯誤，也無法產生宣告結構之外的內容，TypeSafe 將其描述為零幻覺。

機器原生速度與成本

Jev 使用平行取樣器在單次查詢中針對狀態評估所有問題。TypeSafe 將其定位為在 System One 任務上比現有 LLM 快約兩個數量級且便宜約兩個數量級，輸入 token 價格為每十億 42 美元。

• 支援團隊：在單次呼叫中用三個平行問題按部門、緊急程度和客戶挫敗度對工單進行分類。

• 內容平台：篩選進出 LLM 應用的訊息，對危險機率設定門檻，以通過、審查、阻止或路由。

• 客服機器人：對使用者意圖進行分類，然後將每個請求路由到確定性邏輯、專業 LLM 或人工處理。

• 資料團隊：從文件中擷取日期、電子郵件、金額等結構化欄位，並在程式碼中基於信心審查來解析候選值。

• 搜尋工程師：在檢索結果到達回答模型之前，對檢索到的段落或候選對的相關性進行評分並排序。

什麼是 System One Models？什麼是 Jev？

System One Models 是為軟體內部決策而非聊天建置的新型 AI 模型類別。Jev 是 TypeSafe 首個公開的 System One 模型，針對自動化最佳化。你向 Jev 傳送結構化問題和一段狀態，它會回傳帶機率和信心的型別化決策，你的程式碼可以直接處理。

Jev 只是更小的 LLM 嗎？

不是。Jev 使用不同的架構、平行取樣器和名為強化學習校準決策（RLCD）的不同訓練方法。它完全放棄了字串產生，專注於結構化、型別安全的輸出，這就是為什麼它在決策任務上比 LLM 更快更便宜。

這與 JSON 模式或結構化輸出有何不同？

JSON 模式仍然產生你必須解析和驗證的自由文字，模型仍可能產生格式錯誤或幻覺內容。Jev 跳過文字產生層，因此可能的輸出和結構都是預先定義的，使模型沒有空間產生幻覺或型別錯誤。

Jev 為什麼能這麼快又這麼便宜？

Jev 在單一平行查詢中針對狀態評估每個問題，而不是依序產生 token。這種平行取樣器加上精簡的架構，使其大約快兩個數量級且便宜兩個數量級，在 System One 任務上的基準測試顯示比 LLM 工作流程快 193.6 倍、便宜 444.6 倍。

Jev 仍然會出錯嗎？

會。Jev 回傳的是校準機率和信心，而不是正確性的保證，因此答案帶有誠實的不確定性估計。當信心低時，你的軟體應升級給審核人或另一個模型，這正是該系統的設計意圖。

我如何開始使用？

在 console.typesafe.ai 建立免費帳戶，產生 API 金鑰，然後開啟 Playground 用範例狀態測試問題。如需編碼，向 systemone 端點傳送帶 jev-latest 等模型別名的 POST 請求，或安裝 Python 或 JavaScript SDK。

• 開啟 console.typesafe.ai 的 Playground 並登入，用範例文字和混合問題類型測試 Jev，無需編寫程式碼。

• 建立帳戶並從儀表板產生 API 金鑰。TypeSafe 對所有人開放，無需等待清單或審批。

• 向 systemone 端點傳送 POST 請求，包含狀態、模型名稱（如 jev-latest）以及描述你的程式碼所需決策的型別化問題。

• 直接在程式碼中讀取結構化回應。每個答案都包含所選選項、評分或 noul 值以及機率和信心，可直接用於分支。

• 安裝用戶端 SDK 以簡化整合。Python 套件是 typesafe-sdk，JavaScript SDK 可從 TypeSafe 註冊表取得，帶有型別化請求和回應物件。

• 將 TypeSafe agent skill 新增到 Claude Code 或 Codex，讓 agent 在建置時使用 System One 問題，只需一條安裝命令。