上周，TypeSafe AI 发布了 Jev，这是他们称为“System One 模型”这一新品类的首个范例（我同意 Maggie Appleton 的看法，我认为“决策模型”（decision models）对这类模型来说是更好的名字）。Jev 是常规 LLM 形态的一个有趣变体：它仍然接受文本输入，但输出的不是文本，而是对应于分类、是非题、评分以及相关置信度分数的浮点数。
TypeSafe 这样描述 Jev：
可以把 Jev 看作一个前沿智能级别的函数调用：输入非结构化的状态，输出带类型的概率化决策。
它还非常快，而且真的很便宜。常规 LLM 按输入和输出 token 计价，输出的价格通常高出许多。Jev 只对输入收费，输出免费，而且他们首个模型的输入价格是每百万 token $0.042，甚至比 OpenAI 的 GPT-5 Nano（$0.05/百万）还便宜。
三类问题
Jev 允许你针对文本或半结构化数据提问。你需要构造一个“状态”（state）对象，其中包含一个字符串、字符串数组或一组名称-值对，它可以描述一篇文章、一位客户，或任何其他类型的记录。然后把它连同一个或多个问题发送给他们的 API，每个问题都会得到一个回复。
你可以问三类问题：
- 是非题，Jev 称之为“Noul”问题。他们的 CEO 在 Hacker News 上确认，这是 Bernoulli 的缩写，源自伯努利分布。你给出一个陈述，会得到一个介于 0 和 1 之间的浮点数，表示模型对该陈述为真的把握有多大。
- 选择题，模型从提供的一组选项中选出一个，实际上返回的是一个置信度分数，加上在所有选项上的概率分布。
- 评分题，你提供一串带描述的数值等级，它会返回该范围内的某个浮点分数。
Jev API 可以接受单个文档（“状态”）以及你能塞进上下文窗口的任意多个问题。问题是并行评估的，因此发送很多问题所用的时间应该与只发送一个问题相近。
Jev 1.13 参差性（jaggedness）文档对 Jev 的优势和弱点给出了有用的指引。目前它不太擅长处理数字、日期或“对抗性内容”。
我认为决策模型这一框架有助于理解该在哪里使用 Jev。它非常适合任何可以表述为分类任务的场景，比如垃圾信息检测、建议标签、优先级排序和排名。
我还在尝试把它用于搜索重排：先用 BM25 这类廉价算法取回 100 个可能的匹配项，再让 Jev 针对原始查询为这 100 个候选项的相关性打分。
黑盒又回潮了
关于 Jev，有一点让我感到有些不安：它在很大程度上代表着又朝黑盒机器学习系统进一步倒退了。
LLM 本来就是黑盒，你可以要求它们为自己的决策给出理由，但无法保证它们的说法有用或准确。
Jev 连这一点都不给你：无论输入多少文本，你得到的只有一个浮点数。如果 Jev 把某个内容标记为垃圾信息，究竟是哪些内容信号触发了它？
这也意味着，对偏见的担忧应当放在最突出的位置。我真心希望没有人用 Jev 给求职者排名，因为那个浮点数可能掩盖了模型中内嵌的各种看不见的偏见，而通过实验把这些偏见拆解出来将是一件棘手的事。
（我做过一个实验，让 Jev 对旧金山湾区的每个城市回答“是不是个好城市？”这个是非题并打分，结果它把 Cupertino 排在第一，把 East Palo Alto 排在最后。嗯？）
在实践中，这一切意味着评估（evals）和结构化实验比常规 LLM 项目更加重要。值得庆幸的是，Jev 如此便宜，用它跑成百上千条实验性提示词也只需花几美分。
Jev 的非常规用法
过去几天，看着更广泛的社区为 Jev 想出各种潜在用例，真的很有意思。以下是几个吸引我注意的有创意的例子：
- Kyle Pena 的 jevchat 把 Jev 变成了一个（糟糕的）聊天模型。“每一步它都向 Jev 提一个问题：给定用户的问题和目前已写出的回复，下一个符号是什么？”。ericpruitt 在 Hacker News 上说：“这简直是数字版的 Morty 与死亡水晶对话”。
- Fatih Kadir Akın 的 jev-leftpad 实现了 left-pad，提示词是“要让 value 达到 targetLength，前面需要多少个空格？”，并配上一个选择题查询，选项从“需要 0 个空格”到“需要 10 个空格”。
- Andy Gayton 的 jev-2048 用 Jev 来玩2048 滑动拼数字游戏。
开放权重的复刻
也有一批项目尝试基于开放权重模型打造类似 Jev 的模型。Kev 就是一个有意思的例子，它使用 Qwen 3.5 产出了 0.8B、4B 和 9B 的模型。这是相关的 Hacker News 讨论串，有人在其中贴出了一个 JevBench 基准测试，它已经冒了出来，用于比较“Jev 级决策模型”。
考虑到 Jev 发布还不到一周，围绕它的活跃程度令人印象极为深刻。
通过 LLM 使用 Jev
2026 年 9 月 22 日更新：我发布了 llm-typesafe，这是一个为我的 LLM 命令行工具和 Python 库增加 Jev 支持的插件。基本用法如下：
llm -m jev 'Please refund my last payment.' \
-s 'Does this message explicitly request a refund?'
其他查询类型的示例请参阅 README。