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。
在本页直接试用
在这里直接运行 Jev 1.14
修改示例或粘贴你自己的文本,然后运行。运行需要登录:新账户赠送 20 个欢迎积分,运行失败不扣费。
编辑器的按钮和提示目前为英文,示例文本和问题已换成中文。
客服工单分流 · Jev 1.14
1 输入
这已经是我第三次来信了。从周一开始我们每天的付款都失败,团队没法给供应商结款。银行信息我已经重新填了两次。如果今天还解决不了,我们只能换别家服务商了。
2 问题
- 选择 这张工单应该由哪个团队处理?
- 是 / 否 客户是否需要今天得到回复?
- 评分 客户有多不满?
- 是 / 否 客户是否威胁要离开或更换服务商?
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 是面向 Jev 模型的第三方 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-1.14.0)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 v1.7.48 给 Jev 的校准分是 90.6,智能分 63.6,在托管 API 榜上综合排名第 18。
Jev 模型参数一览
| 当前版本 | 2026 年 10 月 14 日发布的 jev-1.14.0,jev-latest 与 jev-preview 现在都指向它(与 TypeSafe 一致);上一版 jev-1.13.0 仍可固定版本调用。1.13 详情 · 1.14 更新内容(英文) |
| 输入 | 文本:字符串、JSON 对象或数组。不支持音频、视频;图片输入只是 TypeSafe 实验性的 danger zone 功能,Jev AI 暂不转发。早先的图片与视频模型 Jev-Omni 自 10 月 19 日起已在 Jev AI 停用,页面仅作旧模型参考。 |
| 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 v1.7.48 用同一方法测评所有系统,但分两张榜:开源权重榜排名 261 个它自己部署运行的系统,托管 API 榜排名 54 个。Jev 是托管 API,在开源权重榜上只作为不参与排名的参照行(综合分 71.4),在托管 API 榜上排第 18。想自己部署的话,本站对主要的开源替代各有一篇指南,括号里是开源权重榜名次:Cygnet(未训练的 Gemma 4 12B 配方,第 62 名)、Winnow-12B(16 GB 显卡可跑,兼顾对话与图片,第 54 名)、decider-4b(pip 安装,第 129 名)、JevK5(第 139 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)是面向 Jev 模型的第三方 Playground 与 API,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),本站每个都有单独指南。
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 是面向 Jev 模型的第三方 Playground 与 API,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。