产品定位
Jev 是 TypeSafe AI 于 2026 年 9 月 15 日推出的 System One 决策模型，创始人为 Diogo Almeida，他曾是 OpenAI 前研究员、InstructGPT 论文作者之一，也是 RLHF 人类反馈强化学习的共同发明人，团队还包括 Erik Gafni 和 Sasha Sheng。公司获 DCVC 领投的 4000 万美元种子轮，估值约 2 亿美元。它的核心理念是 Decisions, not strings，即不做文本生成，而是把非结构化状态数据和一组带类型的问题转化为可校准的概率决策，定位为面向生产系统的决策层组件。

核心功能
Jev 接收一段非结构化的状态数据 state 和一组带类型的问题 questions，在一次并行前向中直接返回带校准概率的决策结果，不生成任何文本。它只支持三种问题原语：Choice 从最多 255 个预设选项中选一个并给出各选项概率；Score 按有序量表打分；Noul 或 Boolean 返回是或否的概率。开发者可依据概率阈值决定自动执行、转人工或追加上下文。输入价格每百万 token 4.2 美分，输出免费，单次决策成本约 0.0004 美元，端到端延迟 70 至 500 毫秒，上下文窗口 32K。

技术特点
其训练方法叫 RLCD，即面向校准决策的强化学习，目标是让模型报出的概率与真实正确率对齐，例如置信度 90% 时确实有九成概率答对。它不写代码、不写文档、也不对话，必须预先定义好输出 schema。官方未公开论文、参数量和训练数据，自称 0% 幻觉实际只是 schema 合规保证，而非正确性保证。官方基准准确率约 67.8%，文档抽取类任务仅 61.8%，因此上线前需要用自己的数据验证校准效果。可通过 typesafe.ai 官网、api.typesafe.ai 接口，以及 OpenRouter、Vercel AI Gateway、Netlify AI Gateway 等网关调用，官方提供 TypeScript 和 Python SDK。

适用场景
Jev 适合客服工单路由与分诊、文档分类打标、按评分标准给记录评级、工具选择校验、越狱与违规内容筛查，以及大模型抽取字段后用 Jev 做类型化复核。由于工具选择等任务的选项受约束，它不会编造工具名；由于返回校准概率，它更适合被嵌入自动化流程，作为判断节点而非内容生成器。不过它不能写代码、写文档或对话，且准确率并非绝对可靠，所以更适合预先定义 schema、用自有数据验证概率校准后，再承担路由、分诊、评级和合规筛查等决策任务。