--- title: "Jev AI 评测：面向智能体工作流的决策模型" canonical: https://wavect.io/zh/blog/jev-ai-decision-model-review/ language: zh description: "深度评测 Jev AI：了解 TypeSafe 的决策模型如何用类型化概率完成模型路由、智能体控制与有限自动化，并分析成本、风险和已知限制。" image: "https://wavect.io/img/blog/headers/header_jev-ai-decision-model-review.png" --- [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 分钟 阅读 · 2026年9月18日 最近审核 2026年9月18日 [**下一篇**](/zh/blog/ai-agent-design-patterns/) # Jev AI 评测：面向智能体工作流的决策模型 要点速览 Jev 将应用状态与类型化问题转换为有限选项、评分、概率和置信度。它可替代只用于路由、排序、重试或升级的语言模型调用，而算术、权限和副作用仍留在代码中。TypeSafe 公布的延迟与成本倍数来自供应商自测，因此生产团队应固定模型版本，用自己的数据校准阈值，先以影子模式运行，并保留确定性回退路径。 **Jev 是面向机器可消费决策的 AI 模型，而不是面向人类阅读的文本生成器。**它接收应用状态与预先声明的问题，直接返回类型化选项、评分、概率和置信度。因此，它很适合成为智能体的内部控制层：先决定路由、排序、重试、升级或停止；只有真正需要语言表达时，才调用语言模型。 **研究日期：2026 年 9 月 18 日。**本文是基于 Jev 1.13 的文档与架构评审，不是独立延迟基准，也不是生产部署案例。TypeSafe 于 2026 年 9 月 15 日以早期访问形式发布 Jev，并将其称为首个公开的 System One 模型。 [TypeSafe 的 Jev 发布文章](https://typesafe.ai/blog/introducing-system-one-models-and-jev) 本文只承接一个明确的搜索意图：**Jev 是什么、它的决策接口如何工作，以及它在生产软件中的位置**。如需比较网关与路由器这一整体类别，请阅读我们的 [LLM 网关与路由器指南](/zh/blog/llm-gateway-router-comparison-2026/) 。如需了解编程智能体按轮次切换模型，请阅读 [NeMo Switchyard 评测](/zh/blog/nemo-switchyard-model-router/) 。这些架构彼此相邻，但并不是 Jev 的同义词。 ## Jev 是什么，由谁开发？ Jev 是 TypeSafe 首个公开可用的决策模型。TypeSafe 将其定位为面向软件判断的低延迟推理层。传统做法往往先让模型生成一段文字，再从文字中解析出路由结果；Jev 则直接评估封闭问题，例如“哪个处理器应处理此请求？”，并返回预先声明的某个选项及其概率分布。 将 Jev 简化为“由 ChatGPT 的共同发明者打造”并不准确。TypeSafe 的创始人介绍称，Diogo Almeida 共同发明了 RLHF 与 InstructGPT，这些方法后来促成了 ChatGPT 和 GPT-4；发布文章则表示，他此前在 OpenAI 的工作参与了 ChatGPT 背后的研究。这是一项重要背景，但不等同于独自或整体发明 ChatGPT 产品。 [TypeSafe 团队介绍](https://typesafe.ai/team) ## Jev 如何把状态转换为类型化决策？ 一次请求在概念上包含两部分：**状态**保存相关应用数据，**问题**声明需要做出的判断。TypeSafe 的介绍文档称，所有问题会针对同一状态独立并行评估。返回结果是结构化数据，代码可以直接比较、排序、设定阈值或路由，而无须从自然语言中重新提取值。 [TypeSafe 的 Jev 介绍文档](https://docs.typesafe.ai/introduction) Jev 提供三种问题原语。输出只能落在开发者声明的模式中，但模式受限并不代表判断一定正确。 | 原语 | 问题形式 | 返回信号 | 适合用途 | | --- | --- | --- | --- | | Choice | 从声明选项中选择一个 | 所选项、完整概率分布与置信度 | 把请求路由到代码、专用模型或人工 | | Score | 按声明量表评估状态 | 评分、各等级概率与置信度 | 评估紧急程度、质量或审核优先级 | | Noul | 评估一个是非命题 | 答案为“是”的概率 | 控制“是否包含退款请求”等分支 | [官方原语参考](https://docs.typesafe.ai/primitives) 强调原子问题与代码组合。像“这笔交易安全吗？”这样的宽泛问题，把市场、政策、敞口、时间和执行等多个判断压进一个答案。更稳健的设计会拆分这些判断，把算术和不变量留在代码中，只让 Jev 处理真正需要语义判断的部分。 ## Jev、LLM 与确定性代码有什么区别？ Jev 并不是带 JSON 模式的聊天模型。传统 LLM 即使受输出模式约束，仍然按顺序生成 token。Jev 则围绕预先声明的决策与概率分布设计。它的实际优势不只是 JSON 更整齐，而是在概率推理与普通软件之间建立更窄、更清晰的契约。 | 组件 | 最擅长 | 不应委托 | | --- | --- | --- | | 确定性代码 | 算术、权限、限制、日期、状态转换和副作用 | 难以用规则维护的模糊语义分类 | | Jev | 基于给定状态的有限选项、评分和是非判断 | 面向用户的文本、精确计算、开放式规划或最终授权 | | 语言模型 | 解释、综合、起草、对话与开放式推理 | 在无人监督下控制高影响副作用 | 当前模型页面列出 `jev-1.13.0`，单次请求上下文为 64k，状态加最长问题的预算为 32k，仅支持文本输入，输入价格为每百万 token 0.042 美元，输出 token 免费。英语是主要训练语言，其他语言必须针对实际负载单独评估。移动别名 `jev-latest` 可能在应用不改代码的情况下指向新版本，因此生产试点应记录实际返回的版本；若阈值依赖特定版本，则应固定经过测试的模型 ID。 [TypeSafe 当前模型参考](https://docs.typesafe.ai/models) ## Jev 如何在多个 LLM 之间路由请求？ 模型路由是 Jev 很有潜力的早期用例，因为路由器通常只需要一个紧凑判断，而不需要一段精心润色的回答。可用的路由集合可以是 `deterministic_code`、`fast_llm`、`reasoning_llm` 和 `human_review`。被禁止的数据类别、上下文长度、供应商可用性和预算等硬约束仍由代码控制。Jev 只处理语义部分：这个请求看起来需要哪类工作？ 下面的示例遵循当前 Python SDK 形式，并有意固定本文评审的版本。它是一张架构草图，不是可直接复制到生产环境的完整策略。 ``` from typesafe_sdk import Choice, Noul, TypeSafeClient ROUTE_CONFIDENCE = { "deterministic_code": 0.90, "fast_llm": 0.80, "reasoning_llm": 0.75, "human_review": 0.00, } def choose_handler(request: str, risk_class: str) -> str: # Hard policy belongs in code, before probabilistic routing. if risk_class == "prohibited": return "reject" with TypeSafeClient(model="jev-1.13.0") as client: response = client.system_one( state={"request": request, "risk_class": risk_class}, questions={ "route": Choice( instructions="Which handler should process `request`?", criteria={ "deterministic_code": "A fixed lookup, rule or calculation is sufficient", "fast_llm": "Short language generation with limited reasoning", "reasoning_llm": "Multi-step interpretation or synthesis is required", "human_review": "Ambiguous, sensitive or outside the declared routes", }, ), "needs_current_sources": Noul( instructions="Does `request` require information that may have changed recently?" ), }, ) route = response.answers["route"] minimum = ROUTE_CONFIDENCE[route.choice] if route.confidence < minimum: return "human_review" return route.choice ``` SDK 快速入门文档展示了上例使用的 `state`、类型化问题和 `response.answers` 接口。 [TypeSafe Python 快速入门](https://docs.typesafe.ai/introduction/quickstart) 独立的置信度文档说明，Choice 与 Score 的置信度来自返回概率分布的形状。它不是所选路由一定正确的证明。阈值必须用代表性数据校准，并与错误分支的后果匹配。 [TypeSafe 置信度参考](https://docs.typesafe.ai/confidence) TypeSafe 自己的意图路由模式把模型放在确定性逻辑、专用 LLM 与人工审核之前。这才是正确的理解：Jev 选择一个受限处理器；该处理器仍需自行负责权限、验证和输出质量。 [TypeSafe 意图路由模式](https://docs.typesafe.ai/patterns/intent-routing) ## 智能体的哪些步骤应改成决策，而不是提示词？ 许多智能体工作流在每个内部步骤都调用语言模型，因为统一接口很方便。但这种方便会带来额外延迟、输出 token、解析、重试，以及更多文本偏离控制契约的机会。更好的判断标准是：该步骤是在为人生成语言，还是在为软件生成有限信号？ | 工作流步骤 | Jev 可以提供 | 代码必须保留 | LLM 适合负责 | | --- | --- | --- | --- | | 路由 | 意图、复杂度或风险类别 | 允许的目的地、配额和供应商健康状态 | 执行选中的专用任务 | | 批准 | 建议或语义政策匹配 | 授权、限额、记录版本和最终提交 | 向审核者解释原因 | | 排序 | 量表评分或成对相关性 | 稳定排序、并列规则和必选项 | 总结排序后的项目 | | 重试或停止 | 最近结果是否不完整或偏离任务 | 重试上限、幂等性和超时状态 | 在确有必要时生成修订答案 | | 升级 | 歧义、敏感性或例外可能性 | 升级政策和访问控制 | 为人工生成简明案例摘要 | TypeSafe 的构建指南建议：确定性工作留在代码中，问题保持狭窄和原子化，只发送相关状态，并把不确定案例交给人工或更昂贵的推理模型。这能让智能体更可治理，但不会让它神奇地变成确定性系统。接口是类型化的，判断仍然是概率性的。 [TypeSafe 工作流设计指南](https://docs.typesafe.ai/concepts/how-to-build-with-system-one) 可通过我们的 [AI 智能体设计模式指南](/zh/blog/ai-agent-design-patterns/) 判断外围系统应采用单次调用、ReAct、规划与执行分离、反思还是独立验证；再用 [AI 智能体单次行动成本模型](/zh/blog/ai-agent-cost-per-action-2026/) 把路由器、重试、人工审核与失败结果都计入，而不是只强调某一次调用很便宜。 ## Jev 能执行自动化交易决策吗？ **Jev 可以参与边界明确的交易工作流，但不应成为市场计算或订单执行的唯一权威。**TypeSafe 发布的函数调用示例使用一个交易助手，把自然语言分析请求映射到十个普通的类型化函数。它会选择函数以及证券代码、时间窗口和图表样式等封闭参数。这个示例并不能证明盈利信号、仓位计算、下单能力或风险管理保证。 [TypeSafe 交易函数调用示例](https://docs.typesafe.ai/cookbooks/function_calling) 更安全的架构应包含五道边界： 1. **数据与特征服务：** 确定性校验时间戳、计算指标并规范化市场数据。 2. **Jev 决策层：** 用封闭选项判断语义市场状态、事件相关性、策略匹配度或审核优先级。 3. **风险引擎：** 用代码计算仓位、敞口、价格边界、亏损限制、交易时段和投资组合约束。 4. **执行服务：** 验证不可变订单提案，强制幂等，并记录经纪商响应。 5. **监督机制：** 先在影子模式运行，与已批准基线比较，并把低把握或高影响案例送交审核。 不要让 Jev 计算盈亏、比较时间戳、推导精确数量或猜测缺失的限价。也不要把它的置信度理解为交易获利概率。语义模型可以帮助选择一个预先声明的分支；确定性风险服务必须决定该分支是否有权触碰资金。本文讨论软件架构，不构成投资建议。 ## Jev 1.13 的已知失败点是什么？ TypeSafe 为本文评审的版本发布了专门的 jaggedness 页面。文档指出，Jev 可能过度按字面理解问题，数值精度和日期比较能力较弱，容易受大量无关状态干扰，也可能被对抗性内容影响，而且不适合文本生成。结构恒等式和算术应由代码强制保证。 [TypeSafe 的 Jev 1.13 局限清单](https://docs.typesafe.ai/model-jaggedness/jev-1.13) - **类型正确不等于判断正确。** Jev 可以完全符合模式，却仍然选错选项。 - **概率性不等于确定性。** 结构化输出降低了接口波动，但重复判断不会因此成为数学常量。 - **置信度不等于授权。** 高置信度不能授予访问权限、批准付款或绕过风险限制。 - **状态本身是攻击面。** 用户输入或检索内容可能影响语义判断；可信政策应隔离存放，并测试对抗性输入。 - **封闭选项必须有退出路径。** 现实可能超出声明选项时，应加入未知、其他或人工审核。 - **不同语言的质量不同。** 每个目标语言都应单独评估，不能直接翻译英语阈值。 ## Jev 的速度与成本数字可信吗？ 这些数字值得关注，但必须准确归因。TypeSafe 报告端到端延迟为 70 至 500 毫秒，输入价格为每百万 token 0.042 美元，输出 token 不计费。发布文章称，在相似的 System One 型查询上，速度可达到 40 至 200 倍。官网的“快 193.6 倍、便宜 444.6 倍”来自其自行设计的四工作流评测，TypeSafe 也明确表示这些数字可能接近现实收益的高端。 评测网站使用共识标签比较多个模型的结构化工作流，并报告在其测试环境中，工作流形式优于将同一政策写成单个提示词。这是支持任务拆分的有价值证据，但仍然是供应商设计的测试框架，参考标签由模型生成，并非独立审计，也不保证适用于其他负载。 [TypeSafe 工作流评测网站](https://evals.typesafe.ai/) 因此，不应把“快 20 至 200 倍”或“便宜 40 至 400 倍”当作普遍产品事实。更合适的指标是**每个被接受决策的总成本**：推理、重试、备用 LLM、人工审核、工程时间和错误路由成本之和，除以通过相同验收标准的决策数量。 ## 团队应如何在生产环境试点 Jev？ 先选择一个高频、可逆且已有标签结果的决策。模型路由很适合，因为 Jev 可以先在影子模式运行，而现有处理器继续作为默认路径。 1. **定义决策契约。** 明确允许的选项、未知路径、硬规则，以及哪个组件拥有最终副作用。 2. **构建代表性评测集。** 覆盖普通案例、罕见案例、歧义、多语言、提示注入，以及过期或矛盾上下文。 3. **固定并记录模型。** 保存版本化模型 ID、输入模式版本、决策、完整概率分布、置信度、所选处理器和最终结果。 4. **按后果校准。** FAQ 路由错误与付款路由错误不应共用阈值。低置信度只是升级信号之一。 5. **先观察，再执行。** 比较 Jev 与当前路由，分析分歧，只对达到约定质量与延迟标准的类别启用强制路由。 6. **保留旁路。** 供应商故障、限流或模型漂移不能困住工作流。应始终保留确定性默认路径和快速回滚。 7. **每次升级都重新评估。** 别名会移动。更换固定版本或决策政策前，应重跑同一套测试。 对于敏感数据，TypeSafe 表示不会使用客户请求训练 Jev，并为企业客户提供零数据保留选项。采购方仍需审核适用的 DPA、实际保留配置、区域、访问控制和事故条款。 [TypeSafe 法律与数据处理索引](https://docs.typesafe.ai/legal) 试点应放在可观测的 [智能体运行框架](/zh/blog/agent-harness-engineering/) 中，而不是把概率直接连接到副作用。Wavect 的 [AI 产品与智能体工程](/zh/services/artificial-intelligence/) 从决策契约、评测集和回滚路径开始。 [Twinsoft AI 案例](/zh/case-studies/twinsoft-ai/) 是我们交付能力的独立证据，并不表示该客户使用了 Jev。可使用 [上线前软件 QA 清单](/zh/software-development-guide/software-qa-checklist-before-launch/) 管理外围发布控制，或 [带来一个高频决策及其验收标准](/zh/contact/) 。 ## 我们的结论：Jev 是决策层，不是更小的聊天机器人 Jev 的意义在于挑战一个浪费性的默认做法：让文本生成器承担每一个内部判断。类型化、带概率的决策接口可以减少解析，并让控制流更容易审查。模型路由、分诊、排序与受限升级都是合理的早期用例。 这个思路最强的版本也是最不神奇的版本。代码保留规则、算术、权限和副作用；Jev 提供狭窄的语义判断；语言模型负责语言生成和开放式推理；当后果重大时，人工或独立控制仍然负责授权。这样的分层可以让智能体工作流更快、更便宜、更可治理，同时不把概率软件误称为确定性系统。 ## Jev AI 常见问题 ### Jev AI 是什么？ Jev 是 TypeSafe 的首个 System One 模型。它依据类型化问题评估给定应用状态，并直接返回有限选项、评分或是非概率，供软件消费。 ### Jev 是大型语言模型吗？ TypeSafe 将 Jev 描述为针对结构化决策而非字符串生成优化的另一类模型。它仍会对自然语言状态进行概率推理，但接口和训练目标都围绕预先声明的决策设计。 ### Jev 会生成文本吗？ 它不生成面向用户的开放式文本。Jev 为声明的问题返回类型化值、概率分布和置信信号。需要解释、草稿、对话或其他开放文本时，应使用语言模型。 ### Jev 是确定性的吗？ 不是。它的输出契约结构化且受限，但判断仍然是概率性的。类型化输出可以防止模式外值，却不能保证所选值一定正确，也不能保证每次评估完全相同。 ### Jev 能选择由哪个 LLM 处理请求吗？ 可以。Choice 问题可把请求分类到确定性代码、快速 LLM、推理 LLM 或人工审核等声明路径。硬政策、供应商状态、预算限制和最终授权仍应留在代码中。 ### Jev 能做自动化交易决策吗？ 它可以在交易系统中提供边界明确的语义判断，但不应计算精确价格、数量、日期或风险限制，也不应成为唯一订单权威。数据验证、量化风险控制和执行不变量应由确定性服务负责。 ### Jev 有多快，成本多低？ TypeSafe 列出的价格为每百万输入 token 0.042 美元，输出 token 免费，并报告 70 至 500 毫秒延迟。最大速度和成本倍数来自供应商自测工作流，必须用采购方自己的被接受决策指标验证。 ### Jev 可以用于生产吗？ Jev 目前处于早期访问。若试点固定模型版本，使用代表性评测、按风险设置阈值、先做影子比较，并具备可观测性、确定性回退和已测试回滚，则可开展边界明确的生产试点。 ## 最终思考 Jev 带来一个有用的分工：供机器使用的决策，不必先写成人类阅读的文字。它的类型化选项、评分与概率很适合模型路由和其他高频控制步骤。 生产机会并不是用 Jev 替换所有 LLM，而是把每类工作放进正确层级：确定性规则交给代码，有限语义判断交给 Jev，沟通与开放式推理交给语言模型，高影响动作外围保留独立授权。 ## 你可能也喜欢.. [**NeMo Switchyard：按智能体轮次进行模型路由** 比较 Jev 的类型化语义决策与一种利用编程智能体执行信号、在每轮选择模型的路由器。](/zh/blog/nemo-switchyard-model-router/) [**AI 赋能还是通用 AI 咨询？** 比较可衡量的生产实施与止步于建议阶段的咨询。](/zh/compare/ai-enablement-vs-generic-ai-consultancy/) 模型与基础设施 ## 继续浏览此集群 模型选择、推理经济性、本地部署、压缩与服务架构。 [从核心文章开始**在欧盟自托管 LLM：开放权重模型何时才真正划算**](/zh/blog/self-hosting-llms-eu-cost/) - [SwarmLLM 评测 2026：手机与笔记本协同浏览器 LLM 推理](/zh/blog/swarmllm-browser-p2p-inference-review-2026/) - [Phonely Alma 评测：这款语音 LLM 能否用于生产？](/zh/blog/phonely-alma-voice-llm-review/) - [Utopia 企业评估：双时态知识图谱与历史问答](/zh/blog/utopia-temporal-knowledge-graph/) - [NVIDIA PAIR 评测：本地 AI 路由与 AMD 支持缺口](/zh/blog/nvidia-pair-amd-rocm-strix-halo/) - [Tencent Hy4 Preview 评测：百万 Token 上下文值得试点吗？](/zh/blog/tencent-hy4-preview-coding-agent-review/) [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 分钟 阅读 · 2026年9月18日 最近审核 2026年9月18日 [**下一篇**](/zh/blog/ai-agent-design-patterns/) ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/zh/blog/jev-ai-decision-model-review/#webpage", "@type": "WebPage", "dateModified": "2026-09-18", "inLanguage": "zh", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-09-18", "url": "https://wavect.io/zh/blog/jev-ai-decision-model-review/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Jev 将应用状态与类型化问题转换为有限选项、评分、概率和置信度。它可替代只用于路由、排序、重试或升级的语言模型调用，而算术、权限和副作用仍留在代码中。TypeSafe 公布的延迟与成本倍数来自供应商自测，因此生产团队应固定模型版本，用自己的数据校准阈值，先以影子模式运行，并保留确定性回退路径。", "articleBody": " 博客概览/AI 与智能体/模型与基础设施 Jev AI 评测：面向智能体工作流的决策模型 要点速览 Jev 将应用状态与类型化问题转换为有限选项、评分、概率和置信度。它可替代只用于路由、排序、重试或升级的语言模型调用，而算术、权限和副作用仍留在代码中。TypeSafe 公布的延迟与成本倍数来自供应商自测，因此生产团队应固定模型版本，用自己的数据校准阈值，先以影子模式运行，并保留确定性回退路径。 Jev 是面向机器可消费决策的 AI 模型，而不是面向人类阅读的文本生成器。它接收应用状态与预先声明的问题，直接返回类型化选项、评分、概率和置信度。因此，它很适合成为智能体的内部控制层：先决定路由、排序、重试、升级或停止；只有真正需要语言表达时，才调用语言模型。 研究日期：2026 年 9 月 18 日。本文是基于 Jev 1.13 的文档与架构评审，不是独立延迟基准，也不是生产部署案例。TypeSafe 于 2026 年 9 月 15 日以早期访问形式发布 Jev，并将其称为首个公开的 System One 模型。TypeSafe 的 Jev 发布文章 本文只承接一个明确的搜索意图：Jev 是什么、它的决策接口如何工作，以及它在生产软件中的位置。如需比较网关与路由器这一整体类别，请阅读我们的 LLM 网关与路由器指南。如需了解编程智能体按轮次切换模型，请阅读 NeMo Switchyard 评测。这些架构彼此相邻，但并不是 Jev 的同义词。 Jev 是什么，由谁开发？ Jev 是 TypeSafe 首个公开可用的决策模型。TypeSafe 将其定位为面向软件判断的低延迟推理层。传统做法往往先让模型生成一段文字，再从文字中解析出路由结果；Jev 则直接评估封闭问题，例如“哪个处理器应处理此请求？”，并返回预先声明的某个选项及其概率分布。 将 Jev 简化为“由 ChatGPT 的共同发明者打造”并不准确。TypeSafe 的创始人介绍称，Diogo Almeida 共同发明了 RLHF 与 InstructGPT，这些方法后来促成了 ChatGPT 和 GPT-4；发布文章则表示，他此前在 OpenAI 的工作参与了 ChatGPT 背后的研究。这是一项重要背景，但不等同于独自或整体发明 ChatGPT 产品。TypeSafe 团队介绍 Jev 如何把状态转换为类型化决策？ 一次请求在概念上包含两部分：状态保存相关应用数据，问题声明需要做出的判断。TypeSafe 的介绍文档称，所有问题会针对同一状态独立并行评估。返回结果是结构化数据，代码可以直接比较、排序、设定阈值或路由，而无须从自然语言中重新提取值。TypeSafe 的 Jev 介绍文档 Jev 提供三种问题原语。输出只能落在开发者声明的模式中，但模式受限并不代表判断一定正确。 Jev 文档中的三种决策原语 原语问题形式返回信号适合用途 Choice从声明选项中选择一个所选项、完整概率分布与置信度把请求路由到代码、专用模型或人工 Score按声明量表评估状态评分、各等级概率与置信度评估紧急程度、质量或审核优先级 Noul评估一个是非命题答案为“是”的概率控制“是否包含退款请求”等分支 官方原语参考强调原子问题与代码组合。像“这笔交易安全吗？”这样的宽泛问题，把市场、政策、敞口、时间和执行等多个判断压进一个答案。更稳健的设计会拆分这些判断，把算术和不变量留在代码中，只让 Jev 处理真正需要语义判断的部分。 Jev、LLM 与确定性代码有什么区别？ Jev 并不是带 JSON 模式的聊天模型。传统 LLM 即使受输出模式约束，仍然按顺序生成 token。Jev 则围绕预先声明的决策与概率分布设计。它的实际优势不只是 JSON 更整齐，而是在概率推理与普通软件之间建立更窄、更清晰的契约。 让每个组件承担最适合它的工作 组件最擅长不应委托 确定性代码算术、权限、限制、日期、状态转换和副作用难以用规则维护的模糊语义分类 Jev基于给定状态的有限选项、评分和是非判断面向用户的文本、精确计算、开放式规划或最终授权 语言模型解释、综合、起草、对话与开放式推理在无人监督下控制高影响副作用 当前模型页面列出 jev-1.13.0，单次请求上下文为 64k，状态加最长问题的预算为 32k，仅支持文本输入，输入价格为每百万 token 0.042 美元，输出 token 免费。英语是主要训练语言，其他语言必须针对实际负载单独评估。移动别名 jev-latest 可能在应用不改代码的情况下指向新版本，因此生产试点应记录实际返回的版本；若阈值依赖特定版本，则应固定经过测试的模型 ID。TypeSafe 当前模型参考 Jev 如何在多个 LLM 之间路由请求？ 模型路由是 Jev 很有潜力的早期用例，因为路由器通常只需要一个紧凑判断，而不需要一段精心润色的回答。可用的路由集合可以是 deterministic_code、fast_llm、reasoning_llm 和 human_review。被禁止的数据类别、上下文长度、供应商可用性和预算等硬约束仍由代码控制。Jev 只处理语义部分：这个请求看起来需要哪类工作？ 下面的示例遵循当前 Python SDK 形式，并有意固定本文评审的版本。它是一张架构草图，不是可直接复制到生产环境的完整策略。 from typesafe_sdk import Choice, Noul, TypeSafeClient ROUTE_CONFIDENCE = { \"deterministic_code\": 0.90, \"fast_llm\": 0.80, \"reasoning_llm\": 0.75, \"human_review\": 0.00, } def choose_handler(request: str, risk_class: str) -> str: # Hard policy belongs in code, before probabilistic routing. if risk_class == \"prohibited\": return \"reject\" with TypeSafeClient(model=\"jev-1.13.0\") as client: response = client.system_one( state={\"request\": request, \"risk_class\": risk_class}, questions={ \"route\": Choice( instructions=\"Which handler should process `request`?\", criteria={ \"deterministic_code\": \"A fixed lookup, rule or calculation is sufficient\", \"fast_llm\": \"Short language generation with limited reasoning\", \"reasoning_llm\": \"Multi-step interpretation or synthesis is required\", \"human_review\": \"Ambiguous, sensitive or outside the declared routes\", }, ), \"needs_current_sources\": Noul( instructions=\"Does `request` require information that may have changed recently?\" ), }, ) route = response.answers[\"route\"] minimum = ROUTE_CONFIDENCE[route.choice] if route.confidence < minimum: return \"human_review\" return route.choice SDK 快速入门文档展示了上例使用的 state、类型化问题和 response.answers 接口。TypeSafe Python 快速入门独立的置信度文档说明，Choice 与 Score 的置信度来自返回概率分布的形状。它不是所选路由一定正确的证明。阈值必须用代表性数据校准，并与错误分支的后果匹配。TypeSafe 置信度参考 TypeSafe 自己的意图路由模式把模型放在确定性逻辑、专用 LLM 与人工审核之前。这才是正确的理解：Jev 选择一个受限处理器；该处理器仍需自行负责权限、验证和输出质量。TypeSafe 意图路由模式 智能体的哪些步骤应改成决策，而不是提示词？ 许多智能体工作流在每个内部步骤都调用语言模型，因为统一接口很方便。但这种方便会带来额外延迟、输出 token、解析、重试，以及更多文本偏离控制契约的机会。更好的判断标准是：该步骤是在为人生成语言，还是在为软件生成有限信号？ 把控制决策与语言沟通分开 工作流步骤Jev 可以提供代码必须保留LLM 适合负责 路由意图、复杂度或风险类别允许的目的地、配额和供应商健康状态执行选中的专用任务 批准建议或语义政策匹配授权、限额、记录版本和最终提交向审核者解释原因 排序量表评分或成对相关性稳定排序、并列规则和必选项总结排序后的项目 重试或停止最近结果是否不完整或偏离任务重试上限、幂等性和超时状态在确有必要时生成修订答案 升级歧义、敏感性或例外可能性升级政策和访问控制为人工生成简明案例摘要 TypeSafe 的构建指南建议：确定性工作留在代码中，问题保持狭窄和原子化，只发送相关状态，并把不确定案例交给人工或更昂贵的推理模型。这能让智能体更可治理，但不会让它神奇地变成确定性系统。接口是类型化的，判断仍然是概率性的。TypeSafe 工作流设计指南 可通过我们的 AI 智能体设计模式指南判断外围系统应采用单次调用、ReAct、规划与执行分离、反思还是独立验证；再用 AI 智能体单次行动成本模型把路由器、重试、人工审核与失败结果都计入，而不是只强调某一次调用很便宜。 Jev 能执行自动化交易决策吗？ Jev 可以参与边界明确的交易工作流，但不应成为市场计算或订单执行的唯一权威。TypeSafe 发布的函数调用示例使用一个交易助手，把自然语言分析请求映射到十个普通的类型化函数。它会选择函数以及证券代码、时间窗口和图表样式等封闭参数。这个示例并不能证明盈利信号、仓位计算、下单能力或风险管理保证。TypeSafe 交易函数调用示例 更安全的架构应包含五道边界： 数据与特征服务：确定性校验时间戳、计算指标并规范化市场数据。 Jev 决策层：用封闭选项判断语义市场状态、事件相关性、策略匹配度或审核优先级。 风险引擎：用代码计算仓位、敞口、价格边界、亏损限制、交易时段和投资组合约束。 执行服务：验证不可变订单提案，强制幂等，并记录经纪商响应。 监督机制：先在影子模式运行，与已批准基线比较，并把低把握或高影响案例送交审核。 不要让 Jev 计算盈亏、比较时间戳、推导精确数量或猜测缺失的限价。也不要把它的置信度理解为交易获利概率。语义模型可以帮助选择一个预先声明的分支；确定性风险服务必须决定该分支是否有权触碰资金。本文讨论软件架构，不构成投资建议。 Jev 1.13 的已知失败点是什么？ TypeSafe 为本文评审的版本发布了专门的 jaggedness 页面。文档指出，Jev 可能过度按字面理解问题，数值精度和日期比较能力较弱，容易受大量无关状态干扰，也可能被对抗性内容影响，而且不适合文本生成。结构恒等式和算术应由代码强制保证。TypeSafe 的 Jev 1.13 局限清单 类型正确不等于判断正确。Jev 可以完全符合模式，却仍然选错选项。 概率性不等于确定性。结构化输出降低了接口波动，但重复判断不会因此成为数学常量。 置信度不等于授权。高置信度不能授予访问权限、批准付款或绕过风险限制。 状态本身是攻击", "articleSection": "AI 基础设施", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "TypeSafe 的 Jev 发布文章", "url": "https://typesafe.ai/blog/introducing-system-one-models-and-jev" }, { "@type": "WebPage", "name": "TypeSafe 团队介绍", "url": "https://typesafe.ai/team" }, { "@type": "WebPage", "name": "TypeSafe 的 Jev 介绍文档", "url": "https://docs.typesafe.ai/introduction" }, { "@type": "WebPage", "name": "官方原语参考", "url": "https://docs.typesafe.ai/primitives" }, { "@type": "WebPage", "name": "TypeSafe 当前模型参考", "url": "https://docs.typesafe.ai/models" }, { "@type": "WebPage", "name": "TypeSafe Python 快速入门", "url": "https://docs.typesafe.ai/introduction/quickstart" }, { "@type": "WebPage", "name": "TypeSafe 置信度参考", "url": "https://docs.typesafe.ai/confidence" }, { "@type": "WebPage", "name": "TypeSafe 意图路由模式", "url": "https://docs.typesafe.ai/patterns/intent-routing" }, { "@type": "WebPage", "name": "TypeSafe 工作流设计指南", "url": "https://docs.typesafe.ai/concepts/how-to-build-with-system-one" }, { "@type": "WebPage", "name": "TypeSafe 交易函数调用示例", "url": "https://docs.typesafe.ai/cookbooks/function_calling" }, { "@type": "WebPage", "name": "TypeSafe 的 Jev 1.13 局限清单", "url": "https://docs.typesafe.ai/model-jaggedness/jev-1.13" }, { "@type": "WebPage", "name": "TypeSafe 工作流评测网站", "url": "https://evals.typesafe.ai/" }, { "@type": "WebPage", "name": "TypeSafe 法律与数据处理索引", "url": "https://docs.typesafe.ai/legal" } ], "dateModified": "2026-09-18", "datePublished": "2026-09-18", "description": "Jev 将应用状态与类型化问题转换为有限选项、评分、概率和置信度。它可替代只用于路由、排序、重试或升级的语言模型调用，而算术、权限和副作用仍留在代码中。TypeSafe 公布的延迟与成本倍数来自供应商自测，因此生产团队应固定模型版本，用自己的数据校准阈值，先以影子模式运行，并保留确定性回退路径。", "headline": "Jev AI 评测：面向智能体工作流的决策模型", "image": "https://wavect.io/img/blog/headers/header_jev-ai-decision-model-review.svg", "inLanguage": "zh", "keywords": "Jev AI, 决策模型, AI 智能体", "mainEntityOfPage": { "@id": "https://wavect.io/zh/blog/jev-ai-decision-model-review/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/zh/blog/jev-ai-decision-model-review/", "wordCount": 562 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/zh/", "name": "首页", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/overview/", "name": "博客概览", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/topics/ai-agents/", "name": "AI 与智能体", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/clusters/models-infrastructure/", "name": "模型与基础设施", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/jev-ai-decision-model-review/", "name": "Jev AI 评测：面向智能体工作流的决策模型", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Jev 是 TypeSafe 的首个 System One 模型。它依据类型化问题评估给定应用状态，并直接返回有限选项、评分或是非概率，供软件消费。" }, "name": "Jev AI 是什么？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "TypeSafe 将 Jev 描述为针对结构化决策而非字符串生成优化的另一类模型。它仍会对自然语言状态进行概率推理，但接口和训练目标都围绕预先声明的决策设计。" }, "name": "Jev 是大型语言模型吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "它不生成面向用户的开放式文本。Jev 为声明的问题返回类型化值、概率分布和置信信号。需要解释、草稿、对话或其他开放文本时，应使用语言模型。" }, "name": "Jev 会生成文本吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "不是。它的输出契约结构化且受限，但判断仍然是概率性的。类型化输出可以防止模式外值，却不能保证所选值一定正确，也不能保证每次评估完全相同。" }, "name": "Jev 是确定性的吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "可以。Choice 问题可把请求分类到确定性代码、快速 LLM、推理 LLM 或人工审核等声明路径。硬政策、供应商状态、预算限制和最终授权仍应留在代码中。" }, "name": "Jev 能选择由哪个 LLM 处理请求吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "它可以在交易系统中提供边界明确的语义判断，但不应计算精确价格、数量、日期或风险限制，也不应成为唯一订单权威。数据验证、量化风险控制和执行不变量应由确定性服务负责。" }, "name": "Jev 能做自动化交易决策吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "TypeSafe 列出的价格为每百万输入 token 0.042 美元，输出 token 免费，并报告 70 至 500 毫秒延迟。最大速度和成本倍数来自供应商自测工作流，必须用采购方自己的被接受决策指标验证。" }, "name": "Jev 有多快，成本多低？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Jev 目前处于早期访问。若试点固定模型版本，使用代表性评测、按风险设置阈值、先做影子比较，并具备可观测性、确定性回退和已测试回滚，则可开展边界明确的生产试点。" }, "name": "Jev 可以用于生产吗？" } ] } ```