资讯 · 改写稿
会「做判断」的模型：Jev 用类型化概率替代生成文本
结论先给：软件里大多数判断是「这是哪一类」「这急不急」这种快判断，却常常交给要花几秒、几十秒的生成式模型来做。Jev 的定位就是把这部分换成一次并行的、类型化的判断。
来源介绍的是 TypeSafe AI 的模型 Jev：它不生成文本，而是返回类型化的概率判断。你用程序状态加上若干带类型的问题去问它，它在一次并行调用里把所有问题一起答完，耗时约 70 到 500 毫秒，输入价格 $0.042/百万 token，输出免费。
它把自己定位成「快思考」
来源说 TypeSafe AI 把这类模型叫 System One，取自心理学家卡尼曼对「快、直觉」思维的命名。它的赌注是：软件里绝大多数判断其实是快判断——「这条该归到哪个桶」「这条紧急吗」——而开发者一直被迫租用「慢思考」来完成它们。
来源给出的背景：Jev 于 2026 年 9 月 15 日发布，融资 4000 万美元，由 DCVC 领投；作者之一是 Diogo Almeida，据来源介绍是 RLHF 与 InstructGPT 的共同发明人。
它想替掉的是什么
来源把它和前沿大模型做了对照：前者延迟在 70–500 毫秒，后者是 3 秒到 300 多秒；输入价格上前者是 $0.042/百万 token，后者约 $0.20 到 $10/百万 token；前者返回结构化输出，后者是自由文本。
本站计算——单看输入价格，$0.042 与 $0.20 到 $10 之间差着大约 5 倍到 238 倍；再叠上「一次并行答完多个问题」和毫秒级延迟，省下的主要不是 token 钱，而是等待与工程复杂度。这正好解释了 为什么有人把「Agent 该不该回话」这种判断从大模型里拆出来。
什么时候它不合适
来源是一篇实操向的指南，里面同样强调了失败模式。就判断类任务而言，值得先想清楚的是：需要向人解释理由、需要多步推理、以及判定口径本身说不清的场景——这些都不是「一次并行判断」能覆盖的，硬套只会得到一个看起来严谨、其实难调的结果。
把需要多步推理的任务塞给判断类模型：它给的是一次性结果，不是推理过程。
用自由文本接口做结构化判断：还得写解析，容易在返回值上翻车。
在标准本身含糊的场景硬上：结果看着严谨，实际比提示词更难调。
自检清单
常见问题
Jev 是什么？
来源称它是 TypeSafe AI 的模型，返回类型化的概率判断而不是生成文本：你发程序状态加一组带类型的问题，它在一次并行调用里全部回答，耗时约 70 到 500 毫秒。
它和常规大模型的差别在哪？
来源给出三处对照：延迟 70–500 毫秒对 3 秒至 300 多秒；输入价格 $0.042/百万 token 对约 $0.20–10；返回结构化结果对自由文本。
「System One」是什么意思？
来源说 TypeSafe AI 用这个名字指代 Jev 这一类模型，取自卡尼曼对「快、直觉」思维的命名，用来对照需要慢思考的生成式模型。
什么任务不适合它？
需要向人解释理由、需要多步推理、以及判定口径本身说不清的场景，来源建议不要硬套判断类模型。
来源参考
以上为外部来源；本文为 RefHub 用自己的结构重写，事实以来源页为准，价格与政策会变，请回源核对当日。
下一步：Agent 该不该插话怎么判断，读 Agent 接进群之后；接工具后模型的安全边界，见 VLM 接工具后的安全变化。