Jev：用于分类、评分和自动化判断的 AI 模型
一篇文章已经有了摘要，接下来要决定它是否值得现在读；一张工单已经收进系统，接下来要决定交给哪个团队。这些问题需要理解语言，答案却可能只有几个选项。软件真正需要的是一个能用于排序或分流的判断。
Jev 就面向这类工作。它由 TypeSafe AI 推出，接收待判断的信息和事先定义的问题，返回选项、评分或概率，供程序继续处理。它不生成摘要、解释或代码，适合成为现有软件中的一个判断环节。
这篇文章介绍截至 2026 年 9 月 18 日的 Jev：怎样向它提问，怎样读懂结果，速度和成本有什么依据，以及在实际应用中应把哪些事情留给普通代码或人。
System One 指什么
TypeSafe 在 2026 年 9 月公开 Jev，把这一类模型称为 System One。名称借用了卡尼曼对快速直觉与缓慢推理的区分；Jev 则得名于经济学家 William Stanley Jevons。厂商希望，更便宜的判断能力能让更多自动化场景变得划算。发布说明同时介绍了并行采样与面向决策的训练方向。
“System One”在这里是产品及研究路线的名称。理解它时，可以先看任务形状：给出充分背景，让模型回答一个范围明确、能够迅速作出的判断。如果任务要求调查陌生问题、规划很长的行动链或写出完整论证，就需要另外组织检索、推理和生成过程。
TypeSafe 将训练方法称为 RLCD，即“面向校准决策的强化学习”。按其技术入门说明，训练目标是让决策附带可用的概率信息。公开材料说明了这一目标，但还不足以复现完整训练过程；本文不据此推测参数规模或内部网络结构。
一次判断需要提供什么
可以把请求理解为两部分：材料和问题。接口分别称它们为 state 与 questions。前者放模型需要看到的信息，后者说明要判断什么、允许哪些答案。同一次请求可以包含多个问题，它们共享材料、独立评估。问题定义说明了这一组织方式。若后一个问题必须使用前一个答案，就需要由程序分步衔接。
以阅读推荐为例，材料可以是一段摘要加上读者当前关心的主题。问题则是“这份内容现在值得读吗”，并把答案规定为：
- 现在读：直接帮助解决当前问题。
- 留着：有背景价值，但当前不急。
- 跳过：与当前关注点无关。
- 拿不准：信息不足，无法作出可靠判断。
这些选项需要写清楚。“留着”和“现在读”如果都只解释成“有用”，模型就难以区分；缺少“拿不准”，也容易把信息不足挤进其他分类。
模型只能根据收到的材料判断。送进去的是标题，结论就只能针对标题；送进去的是摘要，它也没有因此读过全文。网页获取、字幕提取以及摘要是否忠实，仍由提供材料的程序负责。
三种输出，分别适合什么问题
Score 的数值来自等级位置的概率加权。比如自定义“无关、背景相关、直接相关”三个等级后，小数表示模型在等级之间的判断位置。它没有天然的百分制含义，换一套等级描述，数值也就换了意义。
Noul 的低概率同样可能很有用。“材料是否缺少正文”得到 0.02，表达的是模型倾向认为正文并不缺少。把这个数理解成“模型只有 2% 的把握”，就把命题的概率和判断的不确定性混在了一起。
普通聊天中的“帮我打个分”通常省略了这些定义。Jev 要求应用先把评分标准写出来，这也迫使开发者回答一个更实际的问题：到底准备根据这个分数做什么？
概率、confidence 和正确率
一个 Choice 可以给“现在读”0.51、“留着”0.49；也可以给两者 0.97 和 0.03。两次的首选相同，但前一次几乎没有明显优势。只保留最终分类，就丢掉了这层区别。
TypeSafe 的 confidence 是根据 Choice 或 Score 的完整概率分布计算出的 0–1 统计量，用来概括分布的集中程度。它不是第二次独立判断，也不等于最高选项的概率。Noul 不另带这个字段。
因此，同时看到一个高概率和一个高 confidence，并没有得到两份相互独立的证据。它们描述的是同一个输出分布。显示到很多位小数，也不会增加事实依据。
“概率经过校准”则需要从许多有已知结果的预测来理解。例如，一批预测都给某事件约八成概率，良好校准意味着这批事件最终发生的比例也接近八成。单次输出无法证明这种性质。
阅读工具可以先把模型建议与人工选择并排保留，观察哪些材料容易被错分，再决定什么程度的明确性足以让它调整阅读顺序。误把值得读的材料排后面，与自动删除材料的后果不同；两种动作没有理由共用一个阈值。
同样，最高概率低于某个值时显示“拿不准”，只是应用设置的一条规则。阈值需要用实际材料来调，不能因为模型提供了概率，就把随手选的数字当成经过验证的标准。
“零幻觉”应当怎样理解
预先规定答案空间，能消除一类麻烦：程序要求返回某个现成选项，模型不能另外编造一篇回答。这让接口更容易检查，也让错误更容易定位。
但类型正确的答案仍然可以选错。一个分类器完全可能按照合法格式，把一封投诉分给错误的团队。格式约束解决了“结果是否符合接口”，业务还要判断“这个结果是否合理”。这也是工具契约与任务正确性的区别。
TypeSafe 自己的 Jev 1.13 已知弱点列出了数值、计数、日期比较、多跳理解、无关长上下文及对抗文本等问题；分别提问时，正反命题也不保证满足预想的概率恒等关系。
这直接影响使用方式。金额比较交给代码，正文相关性可以交给模型；读者提供的一句话不能变成模型改写分类规则的授权；需要解释一个结果时，也应回到输入证据，不能让另一个模型随意补出一段貌似合理的原因。
速度宣传背后的实验
TypeSafe 首页展示过快 193.6 倍、便宜 444.6 倍的对比。这样的数字需要和任务、对照方式一起看，不能直接换算成每个应用都会获得的收益。
其工作流评估覆盖安全事件、智能体执行记录、发票和客服四类任务，等权汇总；参考答案来自 GPT-6 Astra 与 Claude Fable 5.1 的高推理配置所给判断的平均值。这属于厂商设计、以其他模型为参照的比较。
它能支持一个值得测试的方向：把复杂任务拆成明确判断，再由代码组合，可能比每一步都生成长篇回答更合适。但模型共识不自动成为现实真值；参考模型有共同偏差时，接近它们的答案也可能沿用相同偏差。
实际延迟还受网络距离、输入长度、网关、并发和客户端处理影响。对个人工具来说，最有意义的测量是点击后等多久；对批量系统来说，还要看持续处理能力、失败比例，以及那些最慢请求会让后续工作等多久。
价格、输入容量和中文能力
查询当日，Vercel 的公开模型目录给 Jev 的精确输入价格为每百万 token 0.042 美元，输出价格为零。模型展示页把输入价简写为 0.04 美元。Token 是模型处理文本的计量单位，不能直接当作汉字数。
一个纯算术例子：假设一万次请求实际合计使用两千万输入 token，按上述单价，模型输入费约为 0.84 美元。这只计算模型用量；额外请求、更长材料、基础设施和人工处理都会改变实际成本。便宜的单次判断，也可能因为调用数量很大而变成一笔持续开支。
TypeSafe 当前模型说明列出以下边界：
有了足够大的窗口，也应只送判断所需的内容。冗长会议记录里夹着一句关键要求时，先定位相关段落往往比把所有内容都交给模型更便于检查。
中文使用尤其需要本地样本。它能读入中文、能给出看似合理的选项，只能说明接口和某个例子跑通。行业缩写、反讽、双重否定和缺省背景，都应出现在真正的验证材料里。
怎样接入现有软件
直连 TypeSafe 与通过网关访问，是两种不同的接入路径。下面讨论这次实际使用的 Vercel AI Gateway evaluation 接口：它要求 AI SDK 7，模型名为 typesafe-ai/jev，使用 experimental_evaluate。它不属于聊天生成接口，不能只替换聊天模型名称就期待相同的调用方式。
接口中可以定义 choice、score 和 boolean 问题；其中 boolean 用于表达是非判断。AI SDK 的 evaluation 文档提供了完整契约。通过 Gateway 读取 TypeSafe 的附加置信度时，位置是 providerMetadata.typesafe.confidence，应与 answers 中的概率分布区分。这个 API 仍带有实验性标记，升级依赖时应重新核对行为。
下面用一个虚构的阅读场景展示请求结构。密钥通过服务器环境中的 AI_GATEWAY_API_KEY 提供，示例开启禁止训练选项：
import { experimental_evaluate as evaluate } from 'ai';
const result = await evaluate({
model: 'typesafe-ai/jev',
state: {
interest: 'Local speech tools and privacy',
excerpt: 'A fictional offline speech tool caches audio locally.',
},
questions: {
reading: {
type: 'choice',
instructions: 'How relevant is this excerpt to the current interest?',
criteria: {
read: 'Directly useful now',
keep: 'Useful background for later',
skip: 'Unrelated',
unsure: 'Not enough information',
},
},
},
maxRetries: 0,
providerOptions: {
gateway: { disallowPromptTraining: true },
},
});
console.log(result.answers.reading);
应用拿到 reading 的答案后，可以直接显示建议，或者按概率调整阅读顺序。分类标准仍然是程序提供的；换一组关注主题，同一份材料就可能得到不同的结果。
禁止训练与零数据保留是两回事
网关、模型供应商和应用自身，都可能处理同一次请求。讨论隐私时，要分清具体要求落在哪一层。
Vercel 的 disallowPromptTraining要求请求只走满足禁止训练条件的供应商路由，面向所有套餐提供。它不承诺内容完全不被保留；自行提供供应商密钥的 BYOK 请求还有单独的适用规则。
zeroDataRetention进一步要求供应商零数据保留。目前 Vercel 的请求级 ZDR 面向 Pro 和 Enterprise 团队。模型存在于公开目录中，并不说明一个账号可以启用所有隐私选项。
把 Jev 用在阅读判断上
这次试用选了一段虚构的中文工具介绍，再给出与它相关的阅读主题，把输出限定为“现在读、留着、跳过、拿不准”。通过 Gateway 的普通模式发送后，Jev 选择“现在读”，给出的概率为 1.0。该次请求约 0.8 秒完成，包含网关调用和结果处理。
这个样例的主题很明确，结果符合预期。更直观的收获是看到了它在软件中的位置：材料交进去，一个带概率的选择出来，界面可以直接使用，无须从一大段解释中再提取分类。
接下来更值得观察的是那些难选的情况。主题相关但内容空泛，应该“现在读”还是“留着”？只有一个醒目的标题，能否稳当地选“拿不准”？可以用这些情形构造一组样例，再对照人工选择。中文判断是否稳定、概率是否有参考价值，需要从这样的比较中逐步看出来。
什么情况下值得采用
一个合适的起点，是从已有系统里选出一项高频、边界清楚、出错后可纠正的判断。先看它能否稳定减少人工处理，再决定是否扩大使用。与其让模型一句话决定整个工作流，不如把可以精确计算的部分留在程序里，让语言理解只承担确实需要它的那一步。
这种分工可以与智能体循环结合，也能帮助理解模型选择：选择模型时，输出要交给谁、错误会造成什么后果，往往比“它是不是最强模型”更能决定它是否适合这项工作。