Jev 是 TypeSafe AI 在 2026 年 9 月推出的 AI 模型。它不和使用者聊天，也不寫文章或程式碼，而是替軟體完成分類、評分與路由等小型判斷，再以固定格式回傳答案、機率與信心分數。
這種設計讓 Jev 可以藏在客服系統、AI Agent、RAG 管線或內容審核流程裡，高頻處理「這張工單該交給誰」「該呼叫哪個工具」「這段資料能不能交給下一個模型」等問題。它和 ChatGPT、Claude、Gemini 等生成式 LLM 的角色不同，適合的工作與限制也不同。
Jev 是什麼
Jev 是 TypeSafe AI 第一個公開的 System One Model。TypeSafe 把這類模型定位為軟體內的決策元件：程式提供一份文字或 JSON 狀態，再定義可選答案，模型只在這個範圍內判斷，不產生任意文字。 TypeSafe AI: Introducing System One Models & Jev (System One 模型與 Jev 介紹)
「System One」取自 Daniel Kahneman 對快速、直覺式思考的分類。Jev 的名稱則來自經濟學家 William Stanley Jevons；TypeSafe 借用 Jevons paradox 的概念，認為智慧運算成本下降後，軟體對 AI 判斷的需求反而會增加。
TypeSafe AI 在推出 Jev 時也公開公司消息。這家位於舊金山的 AI 公司由 Diogo Almeida、Erik Gafni 與 Sasha Sheng 創立，並取得 DCVC 領投的 4,000 萬美元種子輪資金。Jev 當時以 early access 方式提供，仍屬早期產品。 DCVC: TypeSafe emerges from stealth with a new way of doing AI (TypeSafe 公開亮相與融資資訊)
Jev 和聊天型 LLM 的差別
ChatGPT 類 LLM 接收提示詞後，逐步產生文字、程式碼或工具呼叫。這種輸出彈性高，但軟體必須解析、驗證並處理格式錯誤。Jev 放棄自由文字生成，改為只回傳開發者事先定義的型別，讓程式能直接使用結果。
| 比較項目 | 聊天型 LLM | Jev |
|---|---|---|
| 主要輸出 | 自由文字、程式碼、工具呼叫 | 預先定義的選項、分數或機率 |
| 主要使用者 | 人或需要生成內容的 Agent | 直接讀取結果的程式 |
| 適合任務 | 寫作、對話、程式生成、複雜推理 | 分類、評分、路由、驗證 |
| 輸出格式 | 可能需要解析與驗證 | 固定型別，可直接進入程式分支 |
| 不確定性 | 通常藏在文字回答裡 | 回傳機率；Choice 與 Score 另有 confidence |
Jev 的 type-safe 輸出可以避免模型突然回傳不在 schema 裡的欄位或無法解析的句子，但 type-safe 不等於事實正確。它仍可能在合法選項中選錯答案，因此權限、信心門檻、資料驗證與實際副作用仍應由程式控制。
Choice、Score 與 Noul 如何運作
每次呼叫包含兩個主要部分：state 放入要判斷的文字或結構化資料，questions 定義問題。Jev 提供三種問題型別，而且可以在同一次 request 混用：
| 型別 | 用途 | 回傳內容 |
|---|---|---|
| Choice | 從一組選項挑出一個答案 | 選中的項目、各選項機率、confidence |
| Score | 按照自訂等級評分 | 分數、各等級機率、confidence |
| Noul | 判斷一項敘述是否成立 | 0 到 1 的肯定機率 |
以下範例把客服訊息同時交給三種問題：Choice 選擇負責部門、Score 判斷不滿程度、Noul 判斷是否緊急。這段 request 依官方 Quick Start 改寫；實際使用時要把 API key 放在環境變數，不要寫進程式碼或 Git。
{
"state": "付款失敗三天，訂單一直無法完成，請盡快協助。",
"model": "jev-latest",
"questions": {
"department": {
"type": "choice",
"instructions": "應由哪個部門處理？",
"criteria": {
"billing": "付款、退款或訂閱問題",
"technical": "程式錯誤或整合問題",
"sales": "價格或購買諮詢"
}
},
"frustration": {
"type": "score",
"instructions": "使用者的不滿程度",
"criteria": [
"平靜陳述",
"不滿但語氣平和",
"明顯生氣"
]
},
"urgent": {
"type": "noul",
"instructions": "訊息是否表達急迫性？"
}
}
}同一個 request 裡的問題會根據相同 state 平行評估，但彼此獨立。若後一項判斷必須依賴前一項結果，例如只有付款問題才檢查退款資格，就應拆成兩次依序呼叫，或把條件交給一般程式碼處理。 TypeSafe AI: Introduction (Jev 與三種問題型別)
Jev 如何使用
Jev 本體是 TypeSafe 在雲端託管的模型 API，不是下載到 Mac 或伺服器執行的本機 Agent，也不是像 ChatGPT 一樣按月訂閱後直接聊天的產品。取得 early access 後，可以先登入網頁版 Playground 測試，再建立 API key，把 Jev 接進自己的程式、網站後端或 AI Agent。
| 使用方式 | 用途 | 是否在本機執行 Jev |
|---|---|---|
| Playground | 在瀏覽器貼上 state、建立問題並查看結果，適合先試效果 | 否，網頁仍呼叫 TypeSafe 雲端服務 |
| HTTP API | 帶 API key 呼叫 POST /v1/systemone，適合任何程式語言 | 否，程式可在本機，但模型在 TypeSafe 雲端 |
| Python／JavaScript SDK | 用官方套件包裝 API 呼叫，方便接進應用程式 | 否，SDK 只是用戶端 |
| Agent Skill | 安裝到 Claude Code 或其他支援 skill 的 Agent，協助產生正確的整合程式 | 否，skill 不包含 Jev 模型，執行時仍需要 API key 與網路 |
實際流程是：在 TypeSafe dashboard 取得 API key，程式把 state 與 questions 傳到雲端 endpoint，收到 JSON 格式的答案、機率與 confidence，再由自己的程式決定自動執行、補資料或轉人工。TypeSafe 提供的 Agent Skill 可以安裝在本機專案，但它的作用是教 coding agent 如何串接 TypeSafe API，並不會把 Jev 模型下載到電腦。 TypeSafe AI: Quick start (Playground、API、SDK 與 Agent Skill)
計費方式目前是 API 用量制：每百萬 input tokens 為 0.042 美元，output tokens 不計費。官方文件沒有列出個人版固定月費方案；需要更高 rate limit 的團隊可洽詢 custom 或 enterprise plan。這代表少量測試的費用取決於實際送出的文字量，不是先購買一個聊天訂閱才能使用。
Jev 可以做什麼
Jev 適合答案範圍已知、需要快速重複執行，而且程式必須根據結果分支的工作。它可以單獨處理分類，也可以放在大型模型與工具周圍，成為 AI Agent 的判斷層。
- 客服與工作分派：辨識問題類型、急迫性與情緒，把工單交給正確團隊，低信心案件轉人工處理
- AI Agent 路由：根據需求挑選工具、skill 或模型，判斷簡單工作能否交給較便宜的模型
- Guardrail 與風險檢查：檢查提示詞注入、越權工具呼叫、敏感資料或不符合政策的輸出
- RAG 與搜尋：替檢索結果評分、篩掉無關或帶有惡意指令的段落，再把保留內容交給生成模型
- 內容與引文驗證：判斷來源段落能否支持主張，或依團隊規範檢查文件與程式碼
- 大批資料標記：對問卷、訪談、商品與事件紀錄做主題分類或風險分級
這些用途都有相同前提：Jev 負責需要語意理解的判斷，確定性的規則仍留在程式裡。例如金額加總、日期先後、權限檢查與實際付款不能交給模型猜測。 TypeSafe AI: Example use cases (Jev 應用範圍)
信心分數如何控制自動化
Choice 與 Score 會回傳所有選項的機率分布，再把分布集中程度整理成 0 到 1 的 confidence。它回答的是「模型有多確定」，不是「答案有多少機率正確」。Noul 本身就是肯定機率，因此不另帶 confidence。
| 信心狀態 | 建議處理方式 |
|---|---|
| 高 | 低風險工作可自動執行；高風險工作仍保留額外確認 |
| 中 | 要求使用者確認、補資料或排入人工覆核 |
| 低 | 不執行副作用，轉交人工、規則系統或其他模型 |
門檻不能套用同一個固定數字。把客服工單放進不同佇列是可逆操作，容許的信心門檻可以較低；批准退款、停用帳號或執行交易的後果較大，除了提高門檻，還應加入人工確認與傳統權限檢查。 TypeSafe AI: Confidence (機率、confidence 與風險路由)
Jev 的價格、規格與語言支援
截至 2026 年 9 月 19 日，官方列出的穩定版本是 jev-1.13.0，jev-latest 與 jev-preview 當時都指向這個版本。正式系統若已調整信心門檻，適合固定版本 ID，避免 alias 更新後答案分布改變。
| 存取方式 | TypeSafe 託管 API、Playground、Python SDK、JavaScript／TypeScript SDK |
| API endpoint | POST https://api.typesafe.ai/v1/systemone |
| 輸入價格 | 每百萬 token 0.042 美元 （約新台幣 1.34 元） |
| 輸出價格 | 官方列為不計費 |
| Context | 每次 request 共 64k tokens；state 加最長單一問題最多 32k tokens |
| 輸入格式 | 純文字，可用 string、JSON object 或 text array |
| 多媒體 | 不直接接受圖片、音訊或影片，需要先轉成文字或結構化欄位 |
| 部署方式 | 官方目前只公布託管 API，尚未公開 Jev 權重或本機部署方式 |
表中的新台幣價格是撰稿時的約略換算，實際刷卡金額會受匯率與銀行費用影響。Early access 期間的 rate limit 也可能調整，官方當時列出每秒 250,000 tokens 與每分鐘 1,200 requests。 TypeSafe AI: Models (版本、價格、限制與資料處理)
Python SDK 要求 Python 3.10 以上。Jev 目前以英文資料的準確度最好，雖能處理繁體中文與其他 CJK 文字，官方仍建議用自己的資料集驗證後再設定自動化門檻。
Jev 的限制與風險
TypeSafe 公開列出 Jev 1.13 的已知弱點。這些限制也說明它為何應該和一般程式及生成式模型搭配，而不是單獨接管整套系統：
- 不能生成內容：需要寫信、回答問題、產生程式或整理長篇文字時，應使用生成式 LLM
- 不適合精確計算：算術、計數、日期排序與時間差應由程式處理
- 容易照字面解讀：問題、否定條件與選項界線要明確，不能依賴模型自行補足隱含規則
- 多層間接推理會降低準確度：複雜判斷要拆成原子問題，再由程式組合結果
- 無關內容會造成干擾：不要因為有 64k context 就把所有資料塞進 state，應先檢索與過濾
- 可能受對抗性文字影響：state 裡的提示詞注入或誤導內容可能改變答案，正式使用前要測試邊界案例
TypeSafe AI: Introducing System One Models & Jev (System One 模型與 Jev 介紹) 表示，Jev 在相同 System One 類型查詢上可快 40–200 倍；官方頁面展示的自家 workflow eval 高端結果為快 193.6 倍、成本低 444.6 倍。這些數字來自 TypeSafe 設計的工作流程與比較方法，尚不能推廣成所有任務的固定差距；導入前仍需以自己的資料、網路位置、問題設計與錯誤成本測試。 TypeSafe AI: Workflow evals (官方工作流程評估)
資料會不會用來訓練 Jev
TypeSafe 表示不會使用客戶的 request 或 response 訓練 Jev，所有帳號共用相同模型權重，而不是替每個客戶用資料微調。企業方案可另外洽談 zero data retention（ZDR）。一般方案的保存期限與實際處理條件仍要以當下的 Data Processing Agreement、Privacy Policy 與帳號合約為準。 TypeSafe AI: Legal (資料處理與法律文件入口)
即使資料不拿來訓練，傳送到託管 API 仍代表資料離開自己的系統。個資、財務、醫療、原始碼與內部文件應先確認公司政策、合約、資料所在地與保存條件；能在本機完成的權限或數值判斷，也不需要送給 AI。
Jev 適合哪些團隊
Jev 適合已經有明確流程與選項，只缺少語意判斷的團隊。大量客服工單、Agent 工具路由、RAG 篩選、內容審核與文件分類都符合這個條件。這些工作若全部交給大型 LLM，延遲與成本可能累積；只用關鍵字規則，又難以處理自然語言的模糊表達。
若產品主要需求是聊天、寫作、程式生成、長篇研究或多步驟推理，Jev 不會取代現有 LLM。較合理的架構是由程式掌握流程與權限，Jev 處理高頻且答案受限的判斷，生成式模型負責需要自由文字或複雜推理的步驟，低信心與高風險案例再交給人工。
常見問答
導入前最常需要確認的是產品類型、與生成式 LLM 的分工、部署方式、繁體中文支援與判斷可靠度。
Jev 是大型語言模型嗎
TypeSafe 將 Jev 定義為 System One Model，而不是聊天型 LLM。它可以理解自然語言，但不產生自由文字，只回傳受限的結構化判斷。從實務功能來看，它接近專門處理 zero-shot 分類、評分與路由的決策模型。
Jev 可以取代 ChatGPT 或 Claude 嗎
不能直接取代。Jev 適合答案空間已知的判斷，ChatGPT、Claude、Gemini 等 LLM 則適合生成內容、對話與複雜推理。兩者可以組成同一套系統，由 Jev 負責路由或檢查 LLM 的輸入與輸出。
Jev 要安裝到本機或 Agent 裡嗎
Jev 模型不用安裝到本機；截至 2026 年 9 月 19 日，TypeSafe 也尚未公開模型權重或本機部署方式。官方另外提供可安裝到 Claude Code 或其他 Agent 的 TypeSafe skill，但這只是整合指引，實際判斷仍透過 API 送到 TypeSafe 雲端執行。
Jev 支援繁體中文嗎
可以接收繁體中文文字，但官方表示英文是主要訓練語言，也是目前準確度較好的語言。正式導入繁體中文分類或審核工作前，應用自己的資料測試準確度、機率校準與信心門檻。
Jev 會不會做錯判斷
會。Jev 可以保證輸出符合預先定義的型別，但無法保證每個選擇都正確。高風險操作仍要保留規則驗證、權限檢查、人工確認與失敗時的安全退路。
參考來源
- TypeSafe AI: Introducing System One Models & Jev (System One 模型與 Jev 介紹)
- TypeSafe AI: Introduction (Jev 基本概念與問題型別)
- TypeSafe AI: Quick start (Playground、API、SDK 與 Agent Skill)
- TypeSafe AI: Models (版本、價格、Context 與語言支援)
- TypeSafe AI: Jev 1.13 jaggedness (Jev 1.13 已知限制)
- TypeSafe AI: Workflow evals (官方工作流程評估)
- DCVC: TypeSafe emerges from stealth with a new way of doing AI (TypeSafe 融資與公司背景)