Jev 模型中文指南 · 更新于 2026 年 10 月 7 日
Jev 模型是什么？
TypeSafe 的 System One 决策模型：读文本，答问题，返回概率而不是文章。
Jev 是 TypeSafe 发布的第一个 System One 模型。给它一段文本或 JSON 作为「状态」，再给几个类型化的问题——这是不是、选哪个、打几分——它在半秒左右返回每个问题的概率、选项分布和置信度。本页用中文整理 Jev 的来历、官网、原理、价格和用法，并说明本站 Jev AI 与官方的关系。
Jev 官网在哪？本站是什么？
Jev 由 TypeSafe 开发，官方文档在 docs.typesafe.ai，官方 API 是 POST https://api.typesafe.ai/v1/systemone。搜索「jev 模型官网」找到的就是这两个地址。
本站 Jev AI 是独立运营的 Jev Playground 与转售 API：你可以不写代码直接在浏览器里运行 Jev，保存问题模板，再用本站密钥以 TypeSafe 兼容的格式接入应用。本站的账号、密钥、积分和购买都属于 Jev AI，与 TypeSafe 无关联。除 Jev 外，本站还托管 Laya、Mercury Decide 和 Cloudflare 的 Clef。
Jev 的原理：状态 + 类型化问题
名字来自卡尼曼《思考，快与慢》里的「系统一」：快速、直觉式的判断。
一次请求有三部分：state（要判断的文本或 JSON）、model（jev-latest，当前解析为 jev-1.13.0）和 questions（若干类型化问题）。Jev 只读一次状态，并行回答所有问题。
- Noul（是／否）：返回「是」的概率，0 到 1。
- Choice（多选一）：从你定义的选项里选一个，返回赢家、每个选项的概率和置信度。
- Score（打分）：按你写的有序等级评分，返回概率加权的分数，可以落在两个等级之间。
Jev 不生成文字。需要写回复、摘要或代码时，用 Jev 做判断，再交给生成式大模型去写。
训练方法：RLCD
TypeSafe 把后训练方法分成三类：RLHF 训练聊天机器人给出人们更爱看的回答，容易奖励「听起来自信的错误」；RLVR 用可验证奖励训练推理模型，强于数学但慢而贵；RLCD（reinforcement learning for calibrated decisions，面向校准决策的强化学习）是 Jev 的路线——模型返回决策和概率，概率越高应当越可能正确。
校准是大量预测的整体性质，不是对单次结果的承诺：在 Jev 给出 0.8 的所有回答里，约 80% 应当正确。这正是 confidence 字段的用处：高置信度自动执行，中等的交给复核，低的转人工。JevBench v1.6.0 给 Jev 的校准分是 90.6，智能分 62.4，综合排名第 2。
Jev 模型参数一览
| 当前版本 | jev-1.13.0，别名 jev-latest、jev-preview。版本详情（英文） |
| 输入 | 仅文本：字符串、JSON 对象或数组。不支持图片、音频、视频。 |
| 上下文 | 每次请求 64k token；其中 state 最多 32k，加上最长的一个问题。 |
| 语言 | 英文为主要训练语言、准确率最高；中日韩等其他语言可处理但效果较弱。 |
| 官方价格 | 每百万输入 token 0.042 美元，输出 token 免费。 |
| 官方速率限制 | 每秒 100,000 token、每秒 80 次请求（2026 年 10 月 7 日读取），随容量动态调整。 |
| 开源 | 否。参数量和架构未公开，权重不可下载。 |
| 客户数据 | TypeSafe 声明不用客户请求训练模型，也不按账号微调。 |
Jev 模型怎么用
先在 Playground 上验证自己的案例，再把同一请求接进应用。
- 01
在 Playground 试用
打开 Jev AI Playground，选一个录制好的案例或粘贴自己的文本，改问题后运行。新账号有 20 积分，每次运行 1 积分，失败不扣费。
- 02
导出请求
结果下方的「Get API code」把 state、questions 和 model 原样生成 cURL、JavaScript 或 Python 代码。问题可以存成 judge，之后按 ID 调用。
- 03
一个中文请求示例
英文效果最好，但中文可以直接试。选项说明用中文写也能被理解。
curl --fail-with-body https://jev-ai.pro/api/v1/systemone \
-H "Authorization: Bearer $JEV_AI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "jev-latest",
"state": "工单：我这个月被重复扣款了两次，请尽快处理。",
"questions": {
"team": { "type": "choice", "instructions": "这条工单应该交给哪个团队？",
"criteria": { "billing": "账单与扣款", "technical": "技术故障", "account": "账号问题" } },
"urgent": { "type": "noul", "instructions": "客户是否需要今天得到回复？" }
}
}'返回的 answers.team.choice 是被选中的团队，answers.urgent.noul 是「需要今天回复」的概率。完整的请求、响应和错误码见文档（英文）。
开源替代
Jev 本身不开源，但同一基准上有不少开源系统。
Benchmark Heaven 的 JevBench v1.6.0 对 92 个 Jev 类决策系统做了同一方法的测评，Jev 排第 2。想自己部署的话，本站对主要的开源替代各有一篇指南：Cygnet（未训练的 Gemma 4 12B 配方，第 7 名）、Winnow-12B（16 GB 显卡可跑，兼顾对话与图片，第 6 名）、decider-4b（pip 安装，第 17 名）、JevK5（第 18 名）、OpenJev（同名项目有十余个）。完整榜单见 JevBench 结果页。
常见问题
Jev 模型是什么？
Jev 是 TypeSafe 发布的 System One（系统一）决策模型。它读取你提供的文本或 JSON「状态」，对你写好的类型化问题给出判断：是／否的概率、多选一的选项分布、按等级打分。它不生成文字，只返回可以直接写进代码分支的数字和标签。
Jev 模型官网是哪个？
Jev 的开发者是 TypeSafe，官网是 typesafe.ai，文档在 docs.typesafe.ai。本站 Jev AI（jev-ai.pro）是独立运营的 Playground 与 API 服务，不是官网，账号、密钥和余额都属于 Jev AI。
Jev 模型开源吗？
不开源。Jev 是托管的专有模型，TypeSafe 没有公布参数量和架构。如果需要本地部署，JevBench 上有多个开源替代（如 Cygnet、Winnow-12B、decider-4b、JevK5、OpenJev），本站每个都有独立指南。
Jev 支持中文吗？
TypeSafe 文档说明英文是主要训练语言、准确率最高；包括中日韩文字在内的其他语言可以处理，但效果不及英文。建议用中文文本先在 Playground 上验证自己的案例，再决定是否接入。
Jev 模型怎么用？
三步：在 Jev AI 的 Playground 里选一个案例或粘贴自己的文本，编写类型化问题并运行；用「Get API code」把同一请求导出为 cURL、JavaScript 或 Python；在 Jev API 页创建密钥后，把请求发到 /api/v1/systemone。TypeSafe 官方 SDK 只需把 baseURL 指向本站即可使用。
Jev 的价格是多少？
TypeSafe 官方按输入 token 计费，每百万输入 token 0.042 美元，输出 token 免费。在 Jev AI 上，Playground 每次运行 1 积分，API 每 1,000,000 输入 token 计 1 积分，新账号赠送 20 积分。
Jev 模型的架构和原理是什么？
TypeSafe 没有公开模型架构。公开的是它的训练方法 RLCD（面向校准决策的强化学习）：奖励答对且概率诚实的判断，而不是人类更爱读的答案。因此当 Jev 给出 0.8 时，在大量样本里约有 80% 是正确的，这个置信度可以直接用来设阈值。
Jev 由 TypeSafe 开发。Jev AI 是独立运营的 Playground 与 API 服务，与 TypeSafe 无关联；本页数据引自 TypeSafe 公开文档与 Benchmark Heaven，读取于 2026 年 10 月 7 日，可能变化。