Jev by TypeSafe AI

Jev 是什么？

Jev 是 TypeSafe AI 推出的 System One 模型，面向需要在程序中进行判断、分类和评分的开发者。它接收背景材料与预先定义的问题，返回程序可以直接使用的结构化结果。它不负责撰写文章、生成聊天回复或输出长篇解释，更适合放在业务流程的判断环节：先确定输入属于哪一类、是否满足条件，再由代码决定接下来的动作。

三种核心能力

• Choice：选项分类。从给定选项中作出选择，并返回各选项的概率和置信度。例如，把客服消息分到“账单”“技术支持”或“其他”队列。
• Score：按标准评分。围绕明确的评价标准给出分数、概率分布和置信度。例如，分别评价一段产品介绍的相关性与信息完整程度。
• Noul：判断陈述成立的程度。返回 0–1 的值。例如，判断一条反馈是否表达了取消订阅的意愿；它与 Choice、Score 的返回结构不同，没有额外的 confidence 字段。

这些问题可以围绕同一份背景材料一起提交。实际应用中，建议把“这个客户值不值得联系”之类的大问题拆成多个具体问题，再用业务代码组合结果。这样可以单独调整每个判断的规则，并更容易定位错误。

可以怎样用于实际业务？

以下是应用设计示例，不代表已经测得的产品效果：

• 客服工单分流：先识别问题类别，再检查是否需要人工处理。分类结果用于选择处理队列，回复内容仍由客服或其他生成模型撰写。
• AI Agent 路由：根据请求判断应调用搜索、文档查询还是人工审核。真正执行工具前，程序仍需要检查权限、参数和业务约束。
• 产品目录整理：给工具描述分配候选类别，识别描述是否提到某项功能；对不确定的记录保留人工确认入口，而不是直接发布结论。
• 检索结果筛选：对已经找到的候选文档按相关性评分，再交给后续回答流程。这个环节不等于自动验证文档中的全部事实。
• 用户反馈分析：区分功能建议、故障报告和使用疑问，帮助团队整理待处理事项。对于含糊或多重意图的反馈，可保留多个独立判断。

如何开始使用

1. 先定义程序真正需要的结果，例如一个类别、一个分数或一个条件判断。
2. 准备相关文本作为 state，并为问题写清楚选项或评分标准，避免把无关内容全部塞进请求。
3. 通过官方 API 或 Python、JavaScript SDK 提交请求，读取结构化结果。
4. 用真实业务样本检查分类错误、边界情况和低置信度结果，再决定自动处理与人工复核的分界。
5. 记录模型版本、输入规则和最终业务结果，升级模型后重新检查关键样本。

例如，在整理 AI 工具目录时，可以分别问“主要用途是否为音频处理”和“描述是否明确提到语音转写”。分类标签如何组合、信息不足时是否暂缓发布，应由目录的业务规则决定。这个示例展示接入思路，并非 Jev 已经为 ToolAI 自动完成了这些工作。

费用、输入范围与版本

截至 2026 年 9 月 24 日，官方文档列出的版本为 jev-1.13.0，输入价格为每百万 token 0.042 美元，输出不计费。“输出免费”不等于整个服务免费。当前输入为文本；图片、音频和视频需要先转成合适的文本材料。请求总预算为 64k token，state 加最长单个问题的预算为 32k token。价格与限制以官方最新说明为准。

使用前应了解的限制

结构化输出并不意味着判断永远正确。官方已列出数字精度、日期比较、间接推理、无关长文本及对抗性内容等薄弱环节。金额计算和日期比较应交给程序处理，涉及多个因素的判断应拆开验证。对于中文等非英语场景，应使用自己的样本测试；官方说明英语是当前表现最好的语言。

如果你的任务是写营销邮件、制作文章、生成代码或进行开放式聊天，应选择具备对应生成能力的模型。Jev 更适合与这类模型配合：负责明确范围内的判断，让其他组件生成内容。官方 SDK 开源也不等于模型权重开放或可以自行部署。

官方资料与相关内容

功能介绍 · 版本与定价 · 已知限制。本文为基于官方资料整理的产品说明及应用设计建议，不包含独立性能测试结论。

继续阅读

Jev模型参数 · Jev是什么：Almeida团队推出只做结构化判断的AI模型 · 把Jev接入应用：官方Python、JavaScript SDK与Agent工具链 · Jev适合什么、不适合什么：中文、长上下文与判断阈值 · TypeSafe Python SDK：Jev官方客户端 · TypeSafe JavaScript SDK：Jev官方JS与TS客户端 · TypeSafe Agent Skills：Jev应用开发技能库