TypeSafe AI发布专用决策模型Jev，聚焦AI智能体内部判断

专注智能体内部判断的新型系统模型

上周，TypeSafe AI正式发布Jev——其首个System One模型。创始人Diogo Almeida曾就职于OpenAI，深度参与ChatGPT背后指令遵循（instruction-following）方向的研究。与通用大语言模型不同，Jev不用于聊天、编程或摘要等生成任务；它的核心能力是：接收非结构化状态（文本或JSON），并针对预定义的类型化问题，输出带校准概率与置信度的结构化决策结果。这一特性使其天然适配AI智能体运行循环（agent loop）中成千上万次微小但关键的判断场景，例如：调用哪个模型、某条命令是否安全、哪段检索内容最相关、当前任务是否真正完成。

三种原语支撑结构化决策

TypeSafe官方文档定义了Jev支持的三大基础判断原语：

• Choice：从给定选项列表中选择一项，返回每个选项的概率分布及整体置信度，最多支持255个选项；
• Score：依据有序评分标准（rubric）对输入状态打分，输出各等级概率及置信度；
• Noul：输出某一陈述为真的概率值（0至1之间）。

所有问题均在单次请求中并行评估，共享同一输入状态。Jev采用“面向校准决策的强化学习”（Reinforcement Learning for Calibrated Decisions, RLCD）进行训练，确保模型输出的置信度能真实反映实际准确率。

性能与成本优势基于实测工作流对比

TypeSafe宣称Jev在典型智能体工作流中实现193.6倍更快响应与444.6倍更低成本。这些数据源自其内部端到端工作流评测，并以GPT-6 Astra与Fable 5.1作为基准参照模型。公开数据显示：当前前沿大模型端到端延迟为3–329秒，而Jev稳定在70–500毫秒区间。其定价为$0.042/百万输入token，输出免费；对比模型则按输入价格约5倍计费输出token。需注意，该成本测算仅含模型调用本身，未计入人工复核、重试或升级处理等附加开销。

覆盖20类典型智能体决策场景

官网交互式演示页面列出了20种Jev可直接落地的智能体用例，涵盖客服工单分诊（ticket triage）、工具调用安全闸门（tool-call gate）、多模型路由（model router）、RAG注入筛查（injection screen）等。用户可通过下拉菜单选择具体场景，调节决策阈值（默认0.6），实时查看状态输入、问题定义、Jev输出概率及下游代码触发逻辑。此外，成本模拟面板支持动态调整日决策次数（3–7千次）、单次输入token数（100–5000）、LLM单价（$0.2–$10/MTok）等参数，直观呈现月度支出差异。

编者观点

中国AI企业正加速从‘大模型能力堆砌’转向‘智能体工程化落地’，Jev所代表的‘专用决策层’模型路径，提示我们：在复杂Agent架构中，用轻量、高确定性、低成本的专用模型替代通用大模型执行高频判断任务，或是提升系统可靠性与商业可行性的关键突破口。