Jev 初体验：一个不生成文本的模型，8 道分类题全对
✨文章摘要（AI生成）
为了找一段旧对话，我在自己的 Codex 日志里搜「jev」——432 个文件命中，99% 是 base64 噪声，但顺着剩下的真实记录挖出了一个已经配好却没用过的模型：Jev（TypeSafe AI 的 System One 决策模型，
jev-1.13.0）。它不生成文本，只返回带概率的类型化判断（Choice/Noul/Score 三种原语）。本文记录两次实测：连通性检查（noul 判断紧急度 0.95，1.1s）和一次 8 道新闻标题分类实验——8/8 全对、单次调用 0.58s、2052 tokens，包括「OpenAI 发布面向法律的前沿模型产品」这种标题里带「模型」字样的易错题。结论：判断型和生成型不是竞争关系，把「选择题」从大模型的活儿里拆出来给 Jev，又快又便宜又可校准。
引子：432 个命中，99% 是噪声
事情从一句帮忙开始：「搜下我的 Codex 对话日志，哪个文件夹里的对话提及 jev」。
Codex 的会话日志存在 ~/.codex/sessions/年/月/日/rollout-*.jsonl。裸搜「jev」命中 432 个文件——听起来很多，但抽查上下文就露馅了：绝大多数命中来自图片附件的 base64 编码，jev 只是随机字符串里恰好出现的三个字母。加上词边界过滤后，真实命中收敛到九月的一小簇，其中一份归档会话（2026-09-21 17:21）的标题是「如何使用 Jev 模型」——内容是给 Claude Code 和 Codex 配置 Jev 的完整过程。
顺藤摸瓜验证本机：~/.claude/settings.json 里果然躺着 typesafe@typesafe-ai 插件（v0.5.7，已启用）和一枚 TYPESAFE_API_KEY。也就是说，这个模型两天前被配好了，然后被我忘了。
那就实际调一次。先给一句话结论：Jev 不是又一个聊天模型——它把「判断」做成了编程原语，不生成一个字的文本，直接返回带概率的类型化答案。恰好是我这种内容站最缺的那块零件。
一、Jev 是什么：System One 与三种判断原语
TypeSafe 给 Jev 的定位是 System One 模型——借用心理学术语，指快而省的直觉式判断，区别于生成式模型的慢思考。官方文档的表述：
"TypeSafe makes units of AI intelligence usable like programming primitives… Jev is TypeSafe's flagship and first System One model. It understands natural language and returns typed answers and probabilities rather than generating text or reasoning explanations."
（TypeSafe 把 AI 智能单元做得像编程原语一样可用……Jev 是 TypeSafe 的旗舰也是第一个 System One 模型。它理解自然语言，返回类型化的答案和概率，而不是生成文本或推理解释。）
它的 API 只有三种问题原语，覆盖判断的三个基本形态：
| 原语 | 回答什么 | 返回 | 一句话 |
|---|---|---|---|
| Choice | 给定选项里选哪个 | choice + 全选项概率分布 | 分类、路由 |
| Noul | 某条件是否成立 | 0–1 概率 | 是非判断 |
| Score | 某维度上处于哪一档 | 概率加权的档位 | 分级、排序 |
（TypeSafe 公司背景、定价策略我没查，本文只谈实测。）
二、API 长什么样，以及一个 422
请求就三要素：state（给判断用的全部上下文）、model、questions（问题集合，一次可以问多个，互相看不见对方答案、并行执行）。
连通性检查用官方文档里的最小例子——判断一条客服消息是否紧急：
POST https://api.typesafe.ai/v1/systemone
{
"state": "Help! My payouts have been failing for 3 days.",
"model": "jev-latest",
"questions": {
"is_urgent": {
"type": "noul",
"instructions": "Does this convey urgency?"
}
}
}返回（2026-09-23 实测，HTTP 200，1.1s）：
{
"model": "jev-1.13.0",
"answers": {
"is_urgent": { "type": "noul", "noul": 0.95 }
},
"usage": { "input_tokens": 283, "output_tokens": 23 }
}「打款失败三天了帮帮我」→ 紧急概率 0.95。没有解释、没有寒暄，一个浮点数就是完整交付。
踩的坑也记一下：第一次发分类请求，我把 Choice 的 criteria 写成了数组 ["模型","产品","行业"]，直接 422：
{"type":"dict_type","loc":["body","questions","t1","choice","criteria"],
"msg":"Input should be a valid dictionary"}正确形态是字典——选项名做 key，描述做 value（描述也可以是 null）：
"criteria": {
"模型": "A model release or model capability update…",
"产品": "An app, product, tool or platform launch…",
"行业": "Business, policy, funding, regulation news…"
}这个报错反而让我对它放心了一点：API 契约是强类型的，错得清楚，改得也快。
三、8 道分类题：全对，包括陷阱题
真正有意思的实验来自我博客的实际痛点：AI 动态模块每条新闻要打一个 kind 标签（模型/产品/行业），目前靠我拍脑袋。我把 6 条真实新闻标题加上 2 道易错题（融资、法案）塞进同一次调用的 8 个 Choice 问题，state 里放标题数组，每个问题用 items[n].title 引用。
结果（2026-09-23，单次调用 0.58s，1761+291 tokens）：
| # | 标题 | 人工标注 | Jev | 置信 |
|---|---|---|---|---|
| 1 | 阿里开源 Qwen-Image-2.1 | 模型 | ✅ 模型 | 1.0 |
| 2 | Qwen3.8-Omni-Flash 全模态模型 | 模型 | ✅ 模型 | 1.0 |
| 3 | OpenAI 发布 Astra for Law：面向法律行业的前沿模型产品 | 产品 | ✅ 产品 | 1.0 |
| 4 | Anthropic 提出度量前沿 AI 发展速度的新指标 | 行业 | ✅ 行业 | 1.0 |
| 5 | Google 发布 Gemini 3.8 Live 对话模型 | 模型 | ✅ 模型 | 0.96（0.02 给了产品） |
| 6 | Perplexity 便携 AI 计算机扩展到 Windows RTX | 产品 | ✅ 产品 | 1.0 |
| 7 | 某公司完成 10 亿美元 B 轮融资 | 行业 | ✅ 行业 | 1.0 |
| 8 | 欧盟通过 AI 法案执行细则 | 行业 | ✅ 行业 | 1.0 |
8/8。 两个细节值得展开：
第 3 题是故意留的陷阱。 标题里「前沿模型产品」六个字同时含「模型」和「产品」，字面匹配必错。Jev 判了产品，概率 1.0——它抓住的是「产品化交付 ≠ 模型发布」这个语义区别，而这正是我人工标注时的判断依据。
第 5 题的 0.02 泄漏是亮点不是缺陷。 Gemini 3.8 Live 名义上是模型发布，但「边说边想边干活」的产品色彩很浓。Jev 主判模型（0.98），漏了 0.02 给产品——这个不确定性的分布，恰好对应我人工标注时犹豫的那半秒。概率输出让「模糊地带」从黑盒变成了可观测的东西，这是布尔值给不了的。
四、它该用在哪：把选择题从大模型手里拆出来
这次实验直接给了我一个接入点：更新 AI 动态时，在出表格关卡前先让 Jev 给每条候选打个 kind 建议值，我在表格里改——把「拍脑袋分类」换成「模型建议 + 人工把关」，每轮成本不到 2K tokens、一秒内。这个改动我还没落到 skill 里，但它已经在我下次说「更新AI动态」时的计划清单上了。
更一般的分工线：
| 场景 | 该用谁 | 一句话 |
|---|---|---|
| 分类/路由/是非判断 | Jev | 快、便宜、带概率 |
| 生成文本、写推理链 | 生成式模型 | Jev 一个字都不产 |
| 复杂多步规划 | 生成式模型 | System One 是直觉不是思考 |
两个使用约束文档里写得很直白，实测也验证了：state 必须自包含（问题里引用的上下文都得给全，模型不会去查）；选项不能有遗漏（Choice 只能在给定的 criteria 里选，候选没覆盖就没有「全不对」出口，需要时得自己加一个 no-match 选项）。
结论：好在哪、差在哪、谁该用
好在哪：
- 判断即原语。 一次调用八个问题并行，0.58s、2K tokens，换成生成式模型做同样的事，又贵又慢。
- 概率可观测。 0.02 的泄漏让我看到了模型「犹豫什么」，阈值可以按业务调。
- 强类型契约。 返回永远是结构化的，代码直接消费，没有「请从以下选项中选择」被模型聊成小作文的风险。
差在哪：
- 没有解释。 只要答案不要理由是它的设计，但排查错误时你得自己猜它为什么错。
- 选项依赖人工设计。 criteria 描述写得好不好直接影响准确率，第 3 题判对有我描述「productized offering」一半功劳。
- 生态早期。 Python/JS SDK、三种原语，工具面还薄，复杂 workflow 要自己搭。
你该不该用它： 你的业务里有大量「二选一/多选一/打分」且每秒调几百次 → 值得认真看；你想让 AI 写文章、聊天、推理 → 它帮不上；你像我一样维护着需要人工把关的内容流水线 → 把 Jev 放进关卡前面那一格，把关的人会谢谢你。
实测数据均来自 2026-09-23 本机调用（api.typesafe.ai，jev-latest → jev-1.13.0），请求与响应原文见文中代码块，可复现；产品定位引自 docs.typesafe.ai 官方文档。