Jev 知识：一个”只会做判断”的 AI
写给完全不懂技术的人。全篇不写代码，只讲清楚：它是什么、怎么工作的、现在能干嘛、以后可能干嘛、我该怎么用、它哪里不行。
所有内容来自一手材料：TypeSafe 官方文档（109 页）、官方博客、官方评测站，以及公开的独立第三方实测与开源项目。没有任何一句来自推测。 凡属”官方声称”或”未经独立验证”的，都单独标注。原始语料已归档在
processed/jev-原始资料/。
第 0 部分 · 先用大白话搞懂它是什么
0.1 一句话
Jev 是一个**“只会做选择题的 AI”**。你给它一段材料（一段文字、一份表格），再问它问题，它在几十到几百毫秒内给出答案，并附上一个”它有多确定”的分数。
它不写文章、不聊天、不解释理由。它只做判断，而且答案必须从你预先给定的选项里挑。
打个比方：ChatGPT 像一个会写报告的助理；Jev 像一个站在流水线旁的分拣工人——看一眼包裹，几十毫秒贴上标签，扔进对应的格口。前者的价值在”表达”，后者的价值在”判断的速度和规模”。
0.2 它和 ChatGPT 这类 AI 的根本区别
- ChatGPT 是”写作的”：你问一句，它一个词一个词地往下写，写到哪算哪。
- Jev 是”拍板的”：它不写，直接给结论。
这个差别听起来小，但它决定了三件事：快（不用一个字一个字写）、便宜（不按写出来的字收费）、不会胡编（它只能在给定选项里挑，编不出别的东西）。
0.3 它为什么会出现
过去，哪怕只是让 AI 做一个小判断（“这条留言是投诉还是咨询？”），也得动用”写一整篇文章”的那套机器。这就像为了拧一颗螺丝，把整台机床开起来。
偶尔一次，无所谓。但如果一个系统每天要判断上百万次、或者一个 AI 助手每一步都要判断一次，这种”杀鸡用牛刀”就既慢又贵到扛不住。Jev 就是冲着这个空子来的。
0.4 名字的两个由来（当故事听）
为什么叫 Jev（杰文斯）：1865 年，经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）发现一件反直觉的事——蒸汽机效率提高之后，英国的煤炭消耗不是减少，反而暴增。原因很简单：效率让煤变便宜了，于是用煤的地方变得更多了。这就是**杰文斯悖论（Jevons Paradox）**。
Jev 用这个名字，表达的是同一个逻辑：当”智能”的单次成本每下降一个数量级，能用上它的场景就会多出一个数量级。 判断变便宜了，“值得让 AI 判断一下”的地方就会大量冒出来（详见第 4 部分）。
为什么叫 System One（系统一）：来自心理学家丹尼尔·卡尼曼在《思考，快与慢》里的说法（详见 双系统理论 与 丹尼尔卡尼曼）。“系统一”是又快又直觉的下意识思考；“系统二”是又慢又费劲的推理。Jev 把自己定位成**“系统一”**——一层快速、直觉的判断，把慢推理留给别的模型。
0.5 五个必须懂的基础词
| 词 | 大白话解释 |
|---|---|
| 分类器（Classifier） | 一台专门做”归类”的机器。你给它东西，它告诉你”这属于哪一类”。 |
| 概率（Probability） | 0 到 1 之间的数，表示”有多大可能”。0.8 就是”八成可能是这样”。 |
| 置信度（Confidence） | Jev 额外给的一个 0–1 分数，表示**“这次它对自己的判断有多确定”**。⚠️ 它和”概率”不是一回事，见 1.5。 |
| 词元（Token） | 模型处理文字的最小单位，可粗略理解为”字 / 词块”。收费按输入的字数算。 |
| 前向传播（Forward Pass） | 模型”从头到尾算一遍”得出结果的过程。Jev 的秘诀是一次就全部算完，见 1.3。 |
第 1 部分 · 它到底怎么工作（原理）
1.1 它会回答的三种问题
Jev 只会三种问法，官方叫**“原语（Primitives）”**（详见 系统一模型）。原语的意思就是”最基础的积木”——复杂系统都是用这三块积木搭出来的。
| 类型 | 问什么 | 返回什么 | 例子 | 上限 |
|---|---|---|---|---|
| 选择题（Choice） | 从你给的选项里挑一个 | 选中的选项 + 每个选项的概率 + 置信度 | 这条工单该给哪个团队？（账单/技术/销售） | 最多 255 个选项 |
| 打分题（Score） | 在一个”从低到高”的谱系上打分 | 分数（可带小数）+ 每一档的概率 + 置信度 | 这位客户有多生气？（平静/不满/非常愤怒） | 至少 2 档、最多 10 档 |
| 是非题（Noul） | 回答”是 / 否” | 一个 0–1 的数，表示”是的概率” | 这条消息是在要求退款吗？ | 二选一 |
几个关键细节：
- 一次请求可以同时问很多问题，而且全部并行、互不干扰（见 1.3）。
- 打分题的分数可以是小数，比如 1.43。它是”概率加权”出来的位置，表示”卡在 1 档和 2 档之间”。
- 是非题（Noul）不带置信度。因为它本来就只有”是/否”两种结果，那个 0–1 的数已经把话说完了。
- 每个问题独立评估。官方特别说明：模型打分时”看不到等级编号，也看不到相邻等级”，所以你要用描述而不是用数字来定义每一档。
1.2 你怎么”喂”它
一次请求就两部分：
第一部分：材料（State，状态）——你想让它判断的那堆信息。可以是一段文字，也可以是一张结构化表格（比如”工单内容 + 订单记录 + 退款政策”三块拼在一起）。目前只支持文字，图片、音频、视频都不行。主训练语言是英文，中文能处理但准确率不如英文。
第二部分：问题（Questions）——你想让它判断什么。
限制：一个请求最多 64k 词元；其中”材料 + 最长的那一个问题”合计不超过 32k。
1.3 为什么它能快到 70 毫秒（全篇最关键的一节）
ChatGPT 这类模型是**“一个字一个字往外憋”的：要写 100 个字，就得算 100 次，每一次都要把前面写过的全部重新读一遍。这个机制叫自回归生成（Autoregressive Generation）**。它很强大，但天生慢、天生贵。
Jev 不写字，所以它不需要一个字一个字来。它把所有答案一次性全部算出来。 官方把这个叫**并行采样（Parallel Sampling）**，原话是：
“Jev 并行输出全部概率，而不是按 token 自回归生成。” （“Jev outputs all probabilities in parallel instead of autoregressively generating by token.”）
效果对比（官方数据）：
| 大模型 | Jev | |
|---|---|---|
| 回答一次要多久 | 3～329 秒 | 70～500 毫秒（多数约 100 毫秒） |
| 生成的粒度 | 一个一个词往外写 | 所有答案一次算完 |
官方称，在”系统一”类任务上，同等智能水平下快 40～200 倍。
还有一个常被忽略的好处：因为所有问题是并行评估的，你多问几个问题，几乎不增加耗时。官方因此建议——“把你系统可能用到的所有问题一次全问出去，事后用代码挑有用的”。这叫投机式扇出（Speculative Fan-out），见 5.4。
1.4 为什么它便宜到离谱
大模型按”输入的字 + 输出的字”双向收费，而且输出的字更贵（大约是输入的 5 倍）。
Jev 只有输入收费：42 / 十亿词元），输出免费。
| 大模型 | Jev | |
|---|---|---|
| 输入价（每百万词元） | 10 | $0.042 |
| 输出价 | 约输入的 5 倍 | 免费 |
官方称其输入价比 Claude Fable 5.1 低 238 倍。
一个真实例子：拿一篇约 5.4 万字符的文档问 13 个问题——一次调用全部问完，只要 0.000497 美元、0.27 秒；如果拆成 13 次分别问，要 0.006090 美元、2.71 秒。也就是批量问便宜 12.2 倍、快 10 倍。
⚠️ 官方自己承认：“我们没法证明这个价格没有补贴，要靠长期来证明可持续性。“（官方预期价格会继续下降。）
1.5 置信度|置信度到底是什么（最容易被误解的一点）
先把两个词分清楚：
- 概率（Probability）：回答”选哪个”。比如选项 A 0.85、选项 B 0.15。
- 置信度（Confidence）：把上面那个分布”压成一个数”，回答”这次判断靠不靠谱”。全部押在一个选项上 = 1.0；分得越平均，数字越低。
官方给的近似换算公式（以 3 个选项为例）：(选项数 × 最高概率 − 1) ÷ (选项数 − 1)。
三个必须记住的点：
- 只有选择题和打分题给置信度，是非题不给。
- 置信度高 ≠ 一定对。 官方原话：“置信度 1.0 描述的是模型的答案，而不是答案正确的保证。”
- 它的用途是当**“红绿灯”**：高 → 自动执行；中 → 请人确认 / 标记复核；低 → 不行动，转人工或转给更强的模型。
1.6 它为什么号称”不会胡说八道”（幻觉）
大模型”编故事”（幻觉）的根源，是它能写出任意文字——写着写着就编了。
Jev 的答案只能是你预先给的选项列表里的一项。多出来一个选项？官方说这在**“数学上不可能发生”**（详见 类型安全）（因为输出结构是提前定死的，模型没有”自由发挥”的空间）。
⚠️ 但要小心区分两件事：不会编”格式”，不等于不会答”错”。 它可能在你给的选项里挑错，也可能被材料里的坏话带偏（见第 6 部分）。
1.7 那它跟”让 ChatGPT 按格式输出”到底差在哪
你确实可以要求 ChatGPT 输出规定格式、甚至限定它只能选 A/B/C。所以不能拿”大模型总要啰嗦一大段”当理由。真正的差别是两条：
- 速度和成本（见 1.3、1.4）——量一大就是数量级的差距。
- 置信度。大模型就算被要求给个把握度，也”倾向于过度自信，而且前后不一致”。官方有句话说得特别到位：
“如果一个模型 95% 的时候能做对，却指不出它出错的那 5% 是什么时候，那就没法拿它做自动化。”
Jev 的核心卖点，正是这个**“知道自己什么时候不确定”**的能力。
1.8 它现在的家底（一次性列清）
| 项目 | 数值 |
|---|---|
| 模型版本 | jev-1.13.0（别名 jev-latest） |
| 价格 | $0.042 / 百万输入词元；输出免费 |
| 速度 | 70–500 毫秒，多数约 100 毫秒 |
| 上下文 | 每请求 64k 词元（材料 + 最长问题 ≤ 32k） |
| 限流 | 25 万词元/秒；1200 请求/分钟 |
| 输入类型 | 仅文字 |
| 选项上限 | 选择题 255 个；打分题 2–10 档 |
| 语言 | 英文最佳，中文等可处理但较弱 |
| 数据处理 | 不用客户数据训练；不做微调；企业可申请”零数据保留（ZDR）“ |
第 2 部分 · 现在的商业情况（只讲实用的）
2.1 谁做的、什么时候冒出来的
TypeSafe AI，一家旧金山的公司，2026 年 9 月 15 日发布 Jev。Jev 是它第一个公开的模型，属于官方所说的一个新类别：“系统一模型（System One Models）“。团队在此前隐身研发了约两年。
2.2 怎么收费
见 1.4：按输入字数算，输出不要钱。 官方对”这么便宜能持续吗”的坦白是——承认无法证明没有补贴，预期长期价格会降不会涨，但要靠时间来证明。
2.3 怎么用上它
- 官方渠道：网页控制台（可申请密钥、查看请求）、官方 Python / JavaScript 开发包、HTTP 接口。
- 第三方渠道：Vercel AI Gateway、OpenRouter、Cloudflare Workers AI 都能调。
- 对普通人：门槛不低。它是面向开发者的工具，不是给你直接聊天用的产品。你要用它，得有人把它接进某个软件里。
2.4 它的对手是谁（两头夹击）
官方自己对竞争格局的判断很坦白，压力来自两边：
- 一边是大模型厂商：它们在猛推”结构化输出""工具调用""更小的模型""蒸馏”。只要它们在这些核心任务上做到够好、够便宜，Jev 的空间就会被挤压——开发者也没必要多接一家供应商。
- 另一边是传统分类器和专用小模型：如果任务稳定、标签固定、数据充足，专用模型往往更便宜、更好部署，简单的甚至用”if-else”规则就解决了。
Jev 想守的中间地带是：任务需要一点通用的语义理解（规则写不干净），但输出空间很小；而且候选和规则经常变，不值得为每个小判断单独训练一个模型。官方认为这块市场不小，主要在企业流程、研发工具、交互应用里。
官方自己的总结很清醒：“调用量大不等于利润高。” 只要模型价格持续下降、迁移门槛低，Jev 最终得靠服务质量和集成能力留住客户。
第 3 部分 · 现在能用它干什么（都有真实案例和公开代码）
3.1 官方划的五大类
官方给了一张”用例地图”，把用法归成五类：
- AI 自动化软件：让代码管流程，AI 只做其中的语义判断——目标是”能在后台跑一百万次，不需要人盯着”。
- 实时应用：150 毫秒级的判断速度，意味着 AI 可以”比人的感知还快”——能塞进界面里，甚至能打游戏。
- 大数据上的”AI 分拣（Map Reduce）“：便宜 100 倍，意味着可以对着海量数据”过一遍判断”——搜相关信息、给智能体的海量记录分类、从文字里提取特征。
- 万能校验：去检查别的 AI 的输入、输出、推理过程、工具调用，抓越狱、抓编造引用、抓幻觉——成本只有被检查的那次大模型调用的一小部分。
- 工程框架增强（Harness Engineering）：让 AI 助手本身更聪明——模型路由、挑相关上下文、检测错误、安全检查。
3.2 已经真实跑起来的例子
下面每一条都有公开代码或公开记录可查。
① 帮 AI 助手”选下一步做什么”（模型路由 / 工具选择） 一个 AI 助手的每步都要决定”该调搜索、查数据库、还是执行代码”。用大模型做这件事，可能会”编”出一个根本不存在的工具名；Jev 只会在你给的有效工具列表里选，从根上杜绝这种错。
② 拿”置信度”当红绿灯（置信度门控） 官方语音银行示例：意图识别置信度低于 0.6 → 一律转人工；“查余额”这种低风险动作 0.6 就够；“批准转账”这种高风险动作，0.6～0.85 要先请用户确认，超过 0.85 才自动执行。
③ 当安全门卫（护栏） 对每一次操作做安全审查，输出”允许 / 拒绝 / 再确认”。有项目把它做进了编程工具：一条命令要不要放行、一堆日志该不该报警、一次网页抓取的内容里有没有”提示注入”陷阱。官方的护栏模板里，危险项分成越狱、有害请求、医疗建议、自残等，各自配不同的处置动作（拦截/复核/转专用支持）。
④ 海量工单、邮件自动分类和分派 这是最典型的场景。官方示例：一次调用同时判断”该给哪个团队""客户有多生气""是否紧急”。
⑤ 把模糊评价拆成多个维度打分 比如筛简历：不问”这人好不好”（太模糊），而是拆成”Python 水平""带团队能力""系统设计""通识广度”四个维度各打一次分，然后用代码按权重组合。不同岗位换一套权重就行。官方说，同一个分数可能来自完全不同的分布，所以要结合概率和置信度一起看。
⑥ 从文字里”抽”信息（结构化抽取） 要抽取日期、金额、人名这类”原样照抄”的值。做法很巧：先让程序用规则（正则表达式）把可能的候选都抓出来，再让 Jev 在候选里”选一个”——这样抽出来的值一定是原文里出现过的，杜绝了编造。官方还有个专门的日期抽取模板：把日期拆成”月/日/年”等小块各自选，再由代码组装成真正的日期（因为模型不擅长算日期）。
⑦ 帮搜索排序、帮 AI 挑资料（检索与 重排序） 官方重排示例（法律文书检索）：先用传统方法（BM25）粗筛出 30 条，再让 Jev 逐条判断”这条是不是要找的”，重新排序。结果：正确答案排第一的比例从 5% 提升到 18%，排进前五的从 15% 提升到 35%，排进前十的从 38% 提升到 62%。整个实验 1200 次调用，共花 0.0645 美元。
还有一个”挑技能”的例子：一个 AI 助手有 182 个技能，选错率 16.8%、多选率 9.8%；加上 Jev 的推荐后，降到 7.3% 和 4.0%（错了的次数少了 2.3 倍）。
⑧ 操控浏览器自动办事 Browser Use 公司的公开演示：打开航班查询页面，Jev 负责”下一步点哪个元素”（17 次），需要打字时才交给生成模型（2 次），整趟操作 7.07 秒。
⑨ 玩游戏 / 带机器人 官方和社区做了一批：用 Jev 玩 DOOM（每秒约 10 次判断，约 7 美元/小时）、马里奥、星际争霸、宝可梦；还有无人机避障、仓库机器人调度。注意官方特别澄清：“每秒做十次判断”不等于”接管每一帧”——画面渲染、碰撞、动画仍然是游戏/机器自己在做，Jev 只负责”选动作”。
最值得细看的一个实例：TerraBlind（用 Jev 打泰拉瑞亚 Boss）
这是公开项目里把”模型负责什么、代码负责什么”划得最干净的一个（仓库 Reisenbug/TerraBlind，详见 TerraBlind用Jev打Boss）。它的两层结构是：
| 层 | 谁在干 | 干什么 | 频率 |
|---|---|---|---|
| 决策层 | Jev | 同一份局面，一次并行问五个问题：九选一的意图、五档危险度、要不要冲刺、要不要跳 | 每 200ms |
| 反射层 | 纯代码 | 把意图翻译成按键：瞄准、距离、双击冲刺时序、钩爪落点、跳跃的”松一帧”、意图过期回退 | 每帧 |
那九个意图（Keep/Back/Close/Evade/Up/Float/Grapple/Orbit/Dive）是人定的；每个 Boss 的打法是 BossBook.cs 里的一段文字（怎么打、禁用哪几个意图、保持几格），“加一个 boss 通常只是加一条文字条目”，而不是写分支代码。
这个例子顺带回答了”Jev 怎么知道该干什么”这个疑问：
- 它不知道。 它没有记忆、没有目标、看不见画面。你给它一段局面的文字描述 + 你写好的选项说明，它只做”哪个选项最符合这段说明”的语义比对。
- “这就是跳、这就是攻击”是你写给它定义的，不是它认出来的。你不写判据，它就不知道。
- “这时候该去哪”不归它管。 这个项目上一版的成绩是纯代码、零 AI 通关——“去哪、怎么走、怎么搭桥”全靠代码；Jev 只接管战斗里每 200ms 的动作选择这一小段。
- 项目还留了个可证伪开关：
/bossbook能整个关掉背板，只留场地和通用字段，用来验”这些知识到底值多少”——这与官方”阈值必须自己标定”的思路完全一致。
⑩ 藏在编程工具里当”反射神经” 一大批开源项目把 Jev 塞进编程 AI 助手：审一条准备执行的命令安不安全、扫一遍代码改动、给构建日志分诊、把冗长的工具输出压缩后再塞进上下文。
⑪ 各种新奇用法 跳过 YouTube 视频里的广告段（在进度条上标出赞助片段）、遮挡会剧透的评论、给手机通知降噪、统计社交平台内容。
第 4 部分 · 以后可能能干什么（推论，不是事实）
下面这些是基于它现有能力的合理推演，不是官方承诺，也不是已验证的事实。
4.1 杰文斯悖论推演
这是理解 Jev 意义的关键。当”判断一次”的成本从”几毛钱、几秒钟”降到”几厘钱、几十毫秒”，原本因为不划算而根本没做的判断，会突然变得值得做。
比如以前没人会给每条系统日志做语义判断、给每个用户行为做意图识别——太贵了。成本一降，这些全都变成新需求。这也正是 Jev 取这个名字的意思。
4.2 把程序里死板的 if-else，换成”聪明的 if”
今天软件里的判断大多靠写死的规则（“如果金额 > 30 天就催收”）。规则一多就变脆、一遇到”说不清”的情况就失灵。Jev 提供的是**“模糊但可靠的一条判断”**，可以塞进原来只能写死规则的地方——官方管这叫”智能 if 语句”。
4.3 快慢分工，可能是未来 AI 系统的骨架
把工作分层：便宜的快模型做”反射”（大量、简单、高频的判断），贵的慢模型只做”规划”（少量、复杂、需要深思的决策）。Jev 明确把自己放在”反射层”的位置。第 3 部分里”先粗筛再重排""先分类再路由”都是这个思路。
4.4 给海量数据”过一遍判断”
官方的”大数据分拣”设想：对超大语料做相关性搜索、给海量 AI 记录分类、从自由文本里提取数值特征喂给传统模型。已有开源项目在做（把自由文本变成机器学习能吃的数值特征表）。
4.5 需要即时反应的场景
150 毫秒以内意味着可以塞进交互界面，做一些”人感觉不到延迟”的判断。
4.6 它天生干不了的事
需要多步推理、需要”写作”、需要精确计算的任务，它做不了。这不是”暂时不行”，而是它的设计定位决定的——这些正是”系统二”（慢推理）和生成模型的地盘。详见第 6 部分。
第 5 部分 · 我该怎么用它（实操，不写代码也能看懂）
5.1 一个完整例子走一遍
官方入门示例——一条客服消息：
“我连着三天都在试着连接 Stripe 账户，集成一直失败。我在丢订单。请尽快帮忙。”
把它当作材料，一次调用同时问三个问题：
| 问题 | 类型 | Jev 的回答 |
|---|---|---|
| 这条工单该给哪个团队？ | 选择题（技术/账单/销售） | 技术，置信度 0.78 |
| 客户有多生气？ | 打分题（平静/不满/非常愤怒） | 1 档（“不满但克制”），置信度 1.0 |
| 消息里有紧迫感吗？ | 是非题 | 1.0（非常确定”是”） |
注意：Jev 只给判断，不给行动。 “接下来是把工单转给技术组、还是标记加急”——这一步是代码根据规则做的（比如”置信度 ≥ 0.8 且是技术组就自动转派”）。这条”模型只判断、代码拿主意”的分工，贯穿全篇。
5.2 材料（State）该怎么准备
- 大多数人用结构化表格（把”对话 + 订单 + 政策”分块命名），比一整段文字更清楚。
- 只放和问题相关的材料。 官方明确警告：材料里塞无关内容会拉低准确率（它管这叫”上下文腐坏”）。先筛选、再喂进去。
- 需要它看材料里的某一小块时，明确指出来（比如指定”看这条工单的第一句话”），别让它自己猜。
5.3 大问题为什么要拆成小问题（官方说这是最重要的一条）
宽泛的问题，会把好几个判断”藏”在一个答案背后；拆成原子问题，这些判断才会露出来，你才能逐个检查、逐个调参、在代码里自由组合。
反面例子：“给这个创业项目打个分”——太糊了。 正确做法：分开问”市场规模""技术可行性""差异化程度”，然后在代码里用自己的公式加权。这样，当你的优先级变了，你改的是代码里的一个系数，而不是重写一整段提示词。
5.4 官方总结的四种经典用法
| 模式 | 一句话说明 | 好在哪里 |
|---|---|---|
| 投机式扇出（Speculative Fan-out） | 把系统可能用到的所有问题一次全问出去，事后用代码挑有用的 | 省时间、省钱 |
| 置信度门控（Confidence-Gated Routing） | 拿置信度当第二道闸：有把握自动做，没把握找人 | 更可靠、更安全 |
| 复合评分（Composite Scoring） | 拆成多个维度各自打分，再按权重合成一个总分 | 省时、可解释、可调 |
| 意图路由（Intent Routing） | 先用便宜的分类定意图，再决定交给哪个处理器 | 省时、省钱 |
5.5 官方现成的”照着抄”模板库
官方有 18 个 Cookbook（实操模板），覆盖：批量并行提问、按置信度分类、层级分类、LLM 双向护栏、重排、RAG 段落筛选、语义逐行搜索、抽取级联、函数调用、技能推荐、引用核查、日期抽取、实体对齐、格式修复、一致性检查、原样值抽取、自动特征发现。每一个都有完整做法和真实结果，是上手最快的东西。
5.6 最关键的一条：阈值必须自己试出来
“置信度超过多少才自动执行”——这个数不能拍脑袋，也不能抄别人的。
官方原话：“正确的阈值取决于你的业务领域和模型在你这个场景上的表现。先用保守的阈值，用你自己的数据去测，再根据结果调整。”
独立的第三方研究也反复证明这一点（见 6.2）：一个数据集上调好的阈值，换到另一个数据集就失效了。
更细的一点：阈值不是一个数，而是一组数。 同一个系统里，风险高的动作门槛要高，风险低的可以低。
5.7 怎么和 ChatGPT 这类模型配合
不是二选一，而是分工：Jev 负责”过滤、路由、把关、打分”，生成模型负责”写”。官方智能家居示例就是：Jev 先判断”这是不是一条指令""对哪个房间""什么设备""什么动作”，只有当它判定”这是闲聊或问信息”时，才交给生成模型去写回答。官方说 Jev 极快，几乎不给整体延迟增加负担。
5.8 接入方式
- 官方 Python / JavaScript 开发包（最省事）
- 直接调 HTTP 接口
- 通过 Vercel AI Gateway / OpenRouter / Cloudflare Workers AI 等第三方渠道
- 官方还给 AI 编程助手准备了一个”技能包”，可以让助手自己学会正确使用 Jev
5.9 花钱和速度怎么估算
成本 = 输入词元 × $0.042/百万（输出不要钱）。官方示例里 392 个输入词元的一次调用，成本约 0.0000165 美元。速度多数在 100 毫秒左右，受网络和负载影响。
5.10 上线前的检查清单
- 能用代码算的，别交给模型算（数数、算账、比日期）。
- 材料只放相关的，别塞无关内容。
- 大问题拆成原子问题，在代码里组合。
- 阈值用自己的标注数据测出来，别抄。
- 给”不确定”留一条出路（转人工 / 转强模型 / 请用户确认）。
- 别假设”问法变了答案一定跟着变”（见 6.1 的结构不变式）。
- 上线前专门测一测”有人使坏”的情况。
第 6 部分 · 它不行的地方 & 别人实测踩的坑
6.1 官方自己承认的 9 个弱点
官方专门写了一页”缺陷清单”（jaggedness），主动列出 jev-1.13 的毛病。这在一份产品文档里相当罕见，也很有价值：
| # | 弱点 | 官方建议 |
|---|---|---|
| 1 | 字面理解：它按你”写的字”回答，不是你”想的意思” | 把条件、边界情况写清楚写具体 |
| 2 | 数学和数字：它不是计算器，数数、算账、比大小都不靠谱 | 算术留给代码 |
| 3 | 日期时间：日期它当文字读，不当作”可比较的大小” | 抽取交给模型，比较留给代码 |
| 4 | 多层间接：双重否定、拐弯太多的问题，准确率下降 | 把问题写直白 |
| 5 | 材料太长且夹带无关内容：无关细节像”干扰项”，拉低准确率 | 先筛选再喂 |
| 6 | 对抗内容：材料里如果藏着”故意误导它的话”，能带偏答案 | 判据写精确，上线前做对抗测试 |
| 7 | 自相矛盾的说明：指令和判据要是”说的不是一回事”，它会晕 | 两者要对齐 |
| 8 | 常识性结构不变式：别指望”问法变了答案会自洽”。比如同一个”是否要退款”，用是非题问是 0.22，用选择题问却是 0.01 选”是”；问”要退款吗”和问”要的不是退款吧”，两个概率加起来是 1.19（本该接近 1） | 不要依赖这种”想当然的一致性”，问题怎么问你想要就直接怎么写 |
| 9 | 生成：它不做文本生成。硬逼它写会又慢又差 | 要写字就换生成模型 |
另有两条官方反复强调的红线：别问代码能精确算出来的东西；别把好几个判断藏进一个问题里。
6.2 独立第三方实测的负面结果
这些不是官方口径，是外部研究者用公开代码和数据做的复现。它们是判断”该不该信”最有价值的材料：
- 阈值不可迁移（Janus 项目）：在一个数据集上调好的路由阈值，换到另一个数据集就失效——最优阈值变了，“用 Jev 是否省钱”的结论也变了。作者因此干脆不提供默认阈值。
- 排序不靠谱（jev-orderby-bench）：在一个”主题归类”任务上表现不错，但在”商品相关性排序”任务上，6 项检验有 4 项不通过。结论很尖锐：分类准确率高，不等于”拿它的概率去排序”就有用。
- 换个场景就过度自信（jev-ood-calibration）：在公开基准集上概率还算准，但换到一个它没见过的规则场景，就明显过度自信。
- “拆维度”有时反噬（Jev Judge vs Dimension Scores）：在一个安全检测任务上，用”12–14 个维度分别打分再合成”的做法，准确率确实更高（0.9076 vs 0.8373），但把大约 25 倍的正常内容误判成了攻击，而且作者试了四次修复都没修好。
- 别把它的概率当”排序依据”（DuckDB 集成相关发现）：把 40 行打包成一次请求，会让原本通过排序检验的结果变得不通过——同样的数据，问法一变，结论可能就变。
- 放弃选项很重要（jev-calibration-audit）：如果把”其他/不确定”这个选项拿掉，模型会被迫在无解的题目上硬选一个答案。
6.3 “置信度高”≠“一定对”（最容易被误解的一点）
官方把这句话说了不止一次：
“校准是在一群预测上度量的；它不保证单个答案是对的。”
翻译一下：说”0.8 概率的事情，大约 80% 会发生”——这是对一大批预测的统计，不是对这一次的保证。而且官方承认模型在”没见过的场景”里可能过度自信（第三方实测也证实了）。所以永远要:用自己的数据验证，再决定敢不敢自动执行。
6.4 有人故意使坏，能骗过它吗？（提示注入）
能，官方也承认。官方原话大意：材料是”数据”，模型默认不把它当敌意内容对待；如果材料里藏着专门用来操控模型的句子，答案会被带偏。官方说未来会改进。
第三方的对抗测试给出了具体数字：在一个编程助手的安全门控测试里，超过 300 次调用中，直白的注入攻击没能推动任何一个危险命令（0/30），但造成了 10% 的误拒（把安全命令也拦了）；而换成”打着权威旗号的诱导”，则推动了 3/30。结论：能挡一部分，但别把它当唯一防线。
6.5 一张表总结：什么能放心交给它，什么千万别
| 可以放心交给它 | 千万别交给它 |
|---|---|
| 分类、打分、是非判断 | 精确计算、数数、算账 |
| 路由、分派、挑选项 | 比较日期、算时间间隔 |
| 语义筛选、重排、挑上下文 | 生成文字、写报告 |
| 当”红绿灯”和门卫 | 需要多步推理的复杂决策 |
| 从候选里挑出原样值 | 面对”故意误导”当唯一防线 |
| 给别的 AI 做校验 | 在没验证过的场景里盲目自动执行 |
第 7 部分 · 收尾
7.1 术语表（中英对照）
| 中文 | 英文 | 大白话 |
|---|---|---|
| 系统一模型 | System One Model | TypeSafe 提出的一类”专门做判断”的模型 |
| [[系统一模型|原语 | 原语]] | Primitive |
| [[系统一模型|选择题 | 选择题]] | Choice |
| [[系统一模型|打分题 | 打分题]] | Score |
| [[系统一模型|是非题 | 是非题]] | Noul |
| 状态/材料 | State | 你喂给它的那堆信息 |
| 概率 | Probability | ”选哪个”的把握 |
| [[置信度与概率|置信度 | 置信度]] | Confidence |
| [[概率校准|校准 | 校准]] | Calibration |
| 并行采样 | Parallel Sampling | 所有答案一次算完（它快的原因） |
| 自回归生成 | Autoregressive Generation | 一个字一个字往外写（大模型慢的原因） |
| 强化学习 | Reinforcement Learning, RL | 用”奖励”训练模型的一类方法 |
| [[RLHF与RLVR|人类反馈强化学习 | 人类反馈强化学习]] | RLHF |
| [[RLHF与RLVR|可验证奖励强化学习 | 可验证奖励强化学习]] | RLVR |
| [[RLCD|面向校准决策的强化学习 | 面向校准决策的强化学习]] | RLCD |
| 幻觉 | Hallucination | 模型一本正经地编造 |
| 提示注入 | Prompt Injection | 在材料里夹带”操控模型的指令” |
| [[模型路由|路由 | 路由]] | Routing |
| [[置信度门控|门控 | 门控]] | Gating |
| 上下文腐坏 | Context Rot | 材料里塞太多无关内容导致变笨 |
| 阈值 | Threshold | 判断”够不够格”的那条线 |
7.2 决策地图：我到底该不该考虑它
| 你的情况 | 建议 |
|---|---|
| 你只是日常聊天、写东西 | 不需要，用 ChatGPT 这类就行 |
| 你要做的是”大量、重复、简单的小判断” | 值得了解，这正是它的地盘 |
| 你要自动决定”该走哪条路 / 该给谁” | 值得了解（路由场景） |
| 你需要”有把握就自动做、没把握就找人” | 值得了解（置信度门控） |
| 你的判断经常变、又懒得为每个都训练专门模型 | 值得了解（它的中间地带） |
| 你需要精确计算、写文章、多步推理 | 别用它，换工具 |
| 你打算”完全无人看管”地依赖它 | 先做大量验证，官方自己都说校准不保证单个答案 |
7.3 来源清单
官方一手（一级）
- 官网
typesafe.ai｜文档docs.typesafe.ai（共 109 页，含llms.txt全站索引）｜评测站evals.typesafe.ai｜控制台console.typesafe.ai - 官方博客：《Introducing System One Models & Jev》（2026-09-15）、《The Bitterest Lesson》、《AI: too good to be true, too bad to be useful》
- 官方文档专页：《Jev 1.13 jaggedness》（缺陷清单）、《Models》《API reference》《Confidence》《Primitives》《Patterns》《Cookbooks》《Example use cases》
- 官方开源：
github.com/typesafe-ai（官方 JS / Python 开发包、适配器、助手技能包）
独立研究与社区（二级）
AbdelStark/awesome-typesafe（61 位贡献者的生态精选清单）- 独立评测：Janus（阈值迁移）、jev-orderby-bench（排序检验）、jev-calibration-audit（放弃选项）、jev-ood-calibration（域外校准）、jev-sec-bench（安全盲测）、Jev Judge vs Dimension Scores（分解反噬）、jev-measured（成本延迟实测）、Jev Rerank Bench
- 开源复现：Luce、Laya、NanoJev、poorjev、SemIf
- 社区作品：Browser Use
jev-ultrafast、Vercel 系工具、Cline 插件、十余种语言的开发包
已排除：中文自媒体新闻稿（36氪、腾讯新闻、新浪、网易、搜狐、知乎等）——按”只用官方 / 权威 / 开源高星”的标准，一律未采用。
原始语料归档：processed/jev-原始资料/（官方文档 109 页 + 官方网页 + 官方 SDK + 社区精选清单）
7.4 延伸阅读：wiki 里的对应词条
本文的每个概念在 wiki 里都有独立词条，可继续深挖：
- 原理类：系统一模型、判别式模型、类型安全、并行采样、自回归生成、概率校准、置信度与概率、双系统理论、RLHF与RLVR、RLCD、杰文斯悖论
- 用法类：模型路由、置信度门控、投机式扇出、复合评分、意图路由、重排序、结构化抽取
- 风险类：幻觉、提示注入
- 实体：TypeSafe AI、Jev、Browser Use、OpenRouter、Vercel
- 来源摘要：Jev官方文档、TypeSafe发布博客SystemOne与Jev、Jev官方缺陷清单jaggedness、Jev官方评测与用例地图、awesome-typesafe生态清单、Jev独立评测Janus与排序校验、Jev独立评测域外校准与安全、Jev开源复现Luce与NanoJev