Jev API: Mô hình System One của TypeSafe là gì, Chi phí bao nhiêu và Khi nào nên dùng

Jev thực sự là gì

TypeSafe giới thiệu Jev vào ngày 15 tháng 9 năm 2026 như "mô hình System One" đầu tiên. Cách đặt vấn đề xuất phát từ Thinking, Fast and Slow của Kahneman: các LLM hiện tại hành xử như một hệ thống lý luận, có chủ đích, và TypeSafe đang xây dựng nửa nhanh nhạy, trực giác — chỉ có điều "trực giác" ở đây nghĩa là một phân phối xác suất đã hiệu chỉnh trên các câu trả lời, không phải một cảm nhận ruột gan được thể hiện thành văn bản.

Cái tên là một tham chiếu đến Jevons, và luận điểm là một nguyên thủy quyết định nhanh, chi phí thấp sẽ được gọi thường xuyên hơn nhiều so với một cái đắt tiền.

Những khác biệt về mặt cơ chế so với một LLM mới là điều quan trọng đối với kỹ thuật:

• Đầu ra có kiểu. Bạn khai báo hình dạng của câu trả lời ngay từ đầu — một Choice trên các tùy chọn có thể liệt kê, một Score trên các mức mô tả, hoặc một Noul (có/không) với một xác suất. Không có văn bản tự do để phân tích, và việc khớp schema là một thuộc tính của kiến trúc chứ không phải điều bạn hy vọng mô hình tuân thủ.
• Bạn nhận được xác suất, không chỉ một lựa chọn. Một Choice trả về tùy chọn được chọn cộng với xác suất cho mọi tùy chọn và một giá trị confidence riêng. Đó là điều cho phép bạn định tuyến dựa trên độ bất định: hành động khi trên một ngưỡng, chuyển sang một mô hình lớn hơn khi dưới ngưỡng đó.
• Các câu hỏi chạy song song. Jev nạp state một lần và đánh giá mọi câu hỏi trong yêu cầu dựa trên nó cùng một lúc. Hỏi ba mươi câu hỏi thay vì một câu hỏi thêm rất ít thời gian thực, đó là điều khiến các trường hợp sử dụng phân loại hàng loạt dưới đây trở nên khả thi.
• Nó hẹp một cách có chủ đích. Hướng dẫn của TypeSafe là giữ luồng điều khiển trong mã của bạn và cho Jev những quyết định nguyên tử, có cấu trúc thay vì một phán đoán lớn.
• Đầu ra không có cấu trúc tuần tự. Người sáng lập TypeSafe đã nói rằng chuỗi và các cấu trúc dữ liệu tuần tự khác không được phép ở phía đầu ra, và lý do được nêu chính xác là điều này: đó là điều cho phép mọi câu trả lời được tính toán song song, đó là lý do không có token đầu ra để tính phí. Bạn không thể yêu cầu Jev viết cho bạn một câu, và hạn chế đó là nền tảng mà giá cả được xây dựng trên đó.

Một yêu cầu tối thiểu trông như thế này:

curl -X POST "https://apimaster.ai/v1/systemone" \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Help! My payouts have been failing for 3 days.",
    "model": "jev-latest",
    "questions": {
      "is_urgent": { "type": "noul", "instructions": "Does this convey urgency?" }
    }
  }'

Thông số kỹ thuật của Jev trong nháy mắt

Thông số	Jev 1.13
Model ID	jev-1.13.0
Alias	jev-latest, jev-preview (cả hai hiện đều trỏ đến 1.13)
Endpoint APIMaster	POST https://apimaster.ai/v1/systemone
Model ID APIMaster	jev-latest
Giá	$42 mỗi tỷ token đầu vào / $0.042 mỗi 1M
Giá đầu ra	Miễn phí — tính phí chỉ trên đầu vào
Giới hạn tốc độ	250.000 token/giây và 1.200 yêu cầu/phút, được nêu là động
Độ dài ngữ cảnh	64k mỗi yêu cầu (state cộng với tất cả các câu hỏi); 32k cho state cộng với câu hỏi dài nhất
Loại đầu vào	Văn bản: chuỗi, đối tượng JSON, hoặc mảng. Không có hình ảnh, âm thanh, hoặc video
Đầu ra	Câu trả lời có kiểu Choice, Score, và Noul với xác suất và độ tin cậy
SDK client	Python typesafe-sdk, JavaScript @typesafe-ai/sdk
Trọng số tùy chỉnh theo tài khoản	Không. Jev không được fine-tune hoặc thích ứng LoRA với dữ liệu khách hàng
Dữ liệu huấn luyện từ khách hàng	Không. Các yêu cầu và phản hồi không được dùng để huấn luyện

Jev phù hợp ở đâu, và TypeSafe nói giữ gì trong mã

TypeSafe cũng công bố chi tiết phạm vi của jev-1.13: chín lĩnh vực, mỗi lĩnh vực kèm theo mẫu mà nó khuyến nghị thay thế, được xem xét lần cuối ngày 17 tháng 9 năm 2026.

#	Lĩnh vực	Hướng dẫn của TypeSafe
1	Đọc theo nghĩa đen — nó trả lời câu hỏi bạn viết, không phải câu bạn muốn hỏi	Nêu rõ điều kiện chính xác; đưa các trường hợp biên vào tiêu chí
2	Toán và số — nó không phải máy tính và không đếm đáng tin cậy	Giữ số học và đếm trong mã
3	So sánh ngày và giờ — ngày được đọc như văn bản, không phải đại lượng có thứ tự	Trích xuất các thành phần; so sánh trong mã
4	Gián tiếp — phủ định kép và câu hỏi nhiều bước làm giảm độ chính xác	Giảm số bước; chỉ thẳng vào state liên quan
5	State lớn đầy chi tiết không liên quan	Lọc trước; chỉ gửi những gì câu hỏi cần
6	Nội dung đối kháng	Viết hướng dẫn chính xác và kiểm tra các trường hợp biên trước khi triển khai
7	Hướng dẫn và tiêu chí mâu thuẫn	Căn chỉnh hướng dẫn và tiêu chí
8	Bất biến cấu trúc theo lẽ thường	Hỏi mỗi quyết định theo một cách; thực thi các đẳng thức trong mã
9	Sinh văn bản	Dùng một mô hình generative

Hai trong số này quan trọng nhất trong thực tế. Thứ nhất, đếm: tài liệu nêu rõ rằng jev-1.13 "không đếm đáng tin cậy" — ký tự trong một từ, số lần xuất hiện trong một đoạn văn, các mục trong một danh sách dài — và sai số tăng theo kích thước của thứ được đếm. Thứ hai, sinh văn bản: Jev sẽ không viết bản tóm tắt, câu trả lời, hay thông điệp commit của bạn. Nó quyết định; thứ khác viết.

Mẫu được TypeSafe khuyến nghị cho việc đếm cho thấy sự phân công lao động dự định: lặp qua các ứng viên trong mã, hỏi một Noul cho mỗi ứng viên, và tự cộng các câu trả lời lại.

Những con số nổi bật đến từ đâu

Hai con số đi kèm gần như mọi cuộc thảo luận về Jev. Chúng đến từ các nguồn khác nhau và mô tả những thứ khác nhau.

0,7 giây. Every đã công bố một bài viết có tiêu đề "TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds." Các chỉ mục build catalog bài viết đó mô tả nó là 777 phán đoán trên 37 bài viết. Chúng tôi không thể tải toàn bộ nội dung bài viết để xác nhận con số chi phí của nó, nên hãy coi chi phí mỗi lần chạy được trích dẫn quanh bản demo đó là đo lường của chính tác giả chứ không phải một mức giá được công bố.

724 quảng cáo, 40 giây, khoảng 9 xu. Con số này được ghi lại hai lần. Trang build madewithjev.com — 724 competitor ads, broken down nêu rằng 724 quảng cáo đang hoạt động từ 37 thương hiệu đã được phân tích trong khoảng 40 giây. Bài đăng trên X của tác giả (ngày 17 tháng 9 năm 2026) bổ sung chi phí — "used 9 cents of tokens" — và liệt kê các chiều được trích xuất cho mỗi quảng cáo: hook, định dạng, ưu đãi, CTA, giai đoạn nhận thức, và sự không khớp với trang đích.

Sự phân biệt giữa hai con số này đáng để ghi nhớ: 0,7 giây là thời gian đánh giá của mô hình trên một tập dữ liệu cỡ đoạn văn, trong khi 40 giây bao gồm việc tải và xử lý 724 quảng cáo đang hoạt động. Không con số nào là đảm bảo thông lượng cho khối lượng công việc của bạn.

Cộng đồng đang xây dựng gì với nó

Việc áp dụng Jev dễ kiểm tra một cách bất thường, vì gần như mọi thứ được công bố trong tuần đầu tiên đều là mã nguồn mở. Số sao dưới đây được đọc từ GitHub API vào ngày 20 tháng 9 năm 2026.

Trình duyệt và sử dụng máy tính. browser-use/jev-ultrafast (★10.113) đến từ tổ chức browser-use và là dự án đã định hình xu hướng. Nó phơi ra một không gian hành động cố định (CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, BLOCKED) và yêu cầu Jev chọn cả thao tác lẫn phần tử mục tiêu. Cả hai quyết định đi vào một yêu cầu TypeSafe duy nhất, với câu hỏi về mục tiêu được đánh dấu là suy đoán. Chỉ TYPE_TEXT gọi một mô hình văn bản, và ví dụ trong README dùng một mô hình nhỏ. Nhiệm vụ trình diễn của nó — Zürich đến London trên Google Flights — được trích dẫn là 7,1 giây bao gồm sinh văn bản và tải trang. Không có script riêng cho từng trang web.

Nén ngữ cảnh cho coding-agent. tamaratran/fast-jev-compaction (★4.544) quyết định kết quả công cụ nào trong bản ghi coding-agent vẫn còn đáng giữ, để một phiên dài có thể được nén mà không cần một lượt tóm tắt đầy đủ. Có các bản chuyển và biến thể cho các harness agent khác.

Rào chắn cho agent. DevMortimer/pi-warden (★99) và shiftynick/jev-axi (★17) đều đặt một phán đoán trước mỗi lệnh hoặc lệnh gọi công cụ: hỏi trước, chặn những cái nguy hiểm. Đây là mẫu mà "xác suất đã hiệu chỉnh cộng với một ngưỡng trong mã của bạn" thực sự tốt hơn một câu trả lời văn bản mà bạn phải diễn giải.

Định tuyến mô hình. vinilana/jev-gateway (★61) định tuyến các yêu cầu đơn giản đến một tầng chi phí thấp và chỉ nâng cấp những cái khó. Đây là biểu hiện trực tiếp nhất của chính lập luận của TypeSafe — rằng một quyết định có thể tốn một phần nhỏ so với việc sinh văn bản mà nó kiểm soát.

Trò chơi và demo điều khiển. fhshaik/typesafe-mario (★289) chơi Super Mario Bros. từ state giả lập có cấu trúc, và RomanSlack/jev-drone (★81) chạy một vòng điều khiển drone trong MuJoCo. Những thứ này lan truyền nhanh hơn nhiều so với khi chúng được triển khai; hãy coi chúng là minh chứng cho giao diện, không phải bằng chứng về độ tin cậy trong sản xuất.

Tái tạo mở. Đây là chủ đề thú vị nhất cho bất kỳ ai muốn có khả năng này mà không cần một nhà cung cấp mới. TheoLeeCJ/SemIf (★2.123) chạy một mô hình mở trên một RTX 3090 tại nhà và nêu rõ rằng nó độc lập với TypeSafe. TianyuCodings/NanoJev (★1.175) là một bản tái tạo quy mô nhỏ. convaiinnovations/laya là một mô hình phân loại Apache-2.0, dùng được cho mục đích thương mại, được huấn luyện với RLCD, công bố dưới các tag system-one và calibrated-decisions, kèm theo một runner trong receptron/laya. Không cái nào trong số này là Jev, và các biểu đồ benchmark chúng công bố là của chính chúng; điểm mấu chốt là hình dạng của mô hình có thể tái tạo được.

Phân loại hàng loạt. Việc phân tích quảng cáo ở trên là ví dụ tiêu biểu, và đây là mẫu có khả năng sống sót cao nhất khi tiếp xúc với sản xuất: giữ state cố định, hỏi nhiều câu hỏi hẹp trong một yêu cầu, và đọc xác suất.

Jev có thực sự rẻ hơn một LLM chi phí thấp không?

Không phải trên mỗi token đầu vào, và đây là phần mà hầu hết các bài viết bỏ qua. Jev tính $0.042 mỗi 1M token đầu vào. Trên APIMaster, gpt-5.6-luna đang được bán từ $0.022 mỗi 1M token đầu vào — khoảng một nửa mức giá đầu vào của Jev — với glm-5.3-flash ở $0.105 và deepseek-flash ở $0.15. Các mô hình generative được host rẻ nhất đã thấp hơn Jev về giá đầu vào.

Lập luận chi phí của Jev dựa trên ba điều khác:

• Không có token đầu ra. Mô hình generative rẻ nhất vẫn phát ra văn bản cho mỗi phán đoán, và đầu ra được định giá cao hơn đầu vào vài lần. Jev trả về một xác suất và dừng lại.
• Độ trễ. TypeSafe công bố thời gian phản hồi đầu-cuối từ 70ms đến 500ms và mô tả so sánh với các mô hình tiên tiến trên các truy vấn có hình dạng System One là nhanh hơn 40× đến 200×. Tốc độ là điều cho phép một quyết định chạy trong đường dẫn yêu cầu thay vì sau một hàng đợi.
• Các câu hỏi biên gần như miễn phí. Vì các câu hỏi tỏa ra song song trên một state, câu hỏi thứ mười tốn một phần nhỏ so với lệnh gọi API thứ mười.

Liệu điều đó có thắng hay không phụ thuộc vào khối lượng công việc của bạn. Nếu các phán đoán của bạn ít, dài, và hưởng lợi từ lý luận, một LLM chi phí thấp với đầu ra có cấu trúc là lựa chọn tốt hơn. Nếu bạn đưa ra nhiều phán đoán ngắn trên mỗi đơn vị công việc, hoặc bạn cần câu trả lời trước khi người dùng nhận ra một khoảng dừng, thì phép tính thay đổi.

Làm thế nào để gọi Jev trên APIMaster?

Không phải chống lại endpoint của chính TypeSafe, và sự khác biệt mang tính cấu trúc chứ không phải vấn đề cấu hình:

• Route khác. TypeSafe tài liệu hóa một endpoint đánh giá, /v1/systemone, và một danh sách /v1/models. Không có /chat/completions nào được tài liệu hóa.
• Body khác. Yêu cầu mang state và một tập hợp questions có kiểu. Một body kiểu OpenAI mang messages và mong đợi văn bản được sinh ra trả về.
• Phản hồi khác. Bạn nhận được xác suất và giá trị độ tin cậy được khóa theo tên câu hỏi bạn đã chọn, không phải một chuỗi hoàn thành.

Trên APIMaster, hãy dùng yêu cầu System One gốc ở trên với một khóa APIMaster và jev-latest. Không cần lớp dịch nào cho hình dạng API đó. Endpoint tương thích OpenAI vẫn hữu ích cho nửa sinh văn bản của một pipeline, nhưng nó không phải là cách gọi chính Jev.

Nên chạy gì hôm nay khi bạn cần các phán đoán nhanh

Nếu điều bạn thực sự cần là một phán đoán từ một endpoint tương thích OpenAI hiện có, câu hỏi thực tế là nên gửi nó đến tầng chi phí thấp nào. Các route APIMaster đang hoạt động tính đến ngày 20 tháng 9 năm 2026:

Model ID	Route đang bán	Từ (đầu vào / đầu ra mỗi 1M)	Giá niêm yết tham chiếu	Giảm giá ước tính
gpt-5.6-luna	3	$0.022 / $0.134	$0.20 / $1.20	~89%
glm-5.3-flash	3	$0.105 / $0.35	$0.15 / $0.50	~30%
deepseek-flash	1	$0.15 / $0.60	Giống như ngoài giờ cao điểm của DeepSeek	Không phụ phí
gpt-5.6-terra	15	$0.12 / $0.72	$2.00 / $12.00	~94%
gemini-3.8-flash	7	$0.20 / $1.00	$1.50 / $7.50	~87%

Jev đang hoạt động như tầng quyết định có kiểu; các tầng dưới đây dành cho tầng sinh văn bản hoặc nâng cấp. Ba lưu ý khi đọc bảng đó. Giá là route thấp nhất đang bán tại thời điểm kiểm tra, và các route khác nhau cho cùng một mô hình có giá khác nhau — hãy mở thẻ mô hình trước khi cam kết khối lượng. deepseek-flash được định giá theo mức ngoài giờ cao điểm của chính DeepSeek, nên tuyên bố trung thực là "không có phụ phí gateway," không phải giảm giá. Và giá đầu vào thấp hơn không tự động là lựa chọn rẻ hơn: độ dài đầu ra, hành vi cache-hit, và tỷ lệ thử lại thường chi phối hóa đơn cuối cùng.

Một cách phân chia khả thi cho một pipeline kiểu Jev trên một khóa duy nhất:

1. Đặt quyết định hẹp, tần suất cao lên một tầng nhỏ, chi phí thấp và kiểm soát bằng ngưỡng độ tin cậy của riêng bạn.
2. Chỉ nâng cấp những trường hợp dưới ngưỡng đó lên một mô hình mạnh hơn.
3. Giữ việc đếm, số học, và so sánh ngày trong mã của riêng bạn — cùng lời khuyên TypeSafe đưa ra, và nó áp dụng cho mọi mô hình trong bảng.

Tạo tài khoản APIMaster, nạp tín dụng trả theo mức dùng từ $1, tạo khóa trong console, và trỏ một client tương thích OpenAI vào https://apimaster.ai/v1 với bất kỳ model ID nào ở trên. Một khóa bao phủ các họ GPT, GLM, DeepSeek, Gemini và Claude, nên đường nâng cấp ở bước 2 vẫn nằm trên cùng một tích hợp. Xác thực một route bằng model tester trước khi bạn chuyển lưu lượng sản xuất.

FAQ

Jev là gì? Jev là mô hình System One của TypeSafe AI. Nó nhận một state cộng với một tập hợp các câu hỏi có kiểu và trả về xác suất đã hiệu chỉnh — câu trả lời Choice, Score, và Noul — thay vì văn bản được sinh ra.

Jev có phải là mô hình ngôn ngữ không? Không — và cách diễn đạt của chính TypeSafe còn dứt khoát hơn thế. Trong luồng ra mắt, người sáng lập mô tả nó là "a structured data model, but technically not a language model (it doesn't generate language)". Nó đọc văn bản bạn gửi và trả về các quyết định có kiểu với xác suất và giá trị độ tin cậy, và nó không bao giờ sinh ra văn xuôi. TypeSafe đặt nó bên cạnh các mô hình chat RLHF và các mô hình lý luận RLVR như một loại thứ ba chứ không phải một phiên bản nhỏ hơn của một trong hai.

Model ID của Jev là gì? jev-1.13.0. Các alias jev-latest và jev-preview hiện trỏ đến cùng một phiên bản; các SDK mặc định dùng jev-latest.

Jev tốn bao nhiêu? $42 mỗi tỷ token đầu vào, tức là $0.042 mỗi 1M token đầu vào. Token đầu ra miễn phí, và tính phí chỉ trên đầu vào.

Jev có tương thích OpenAI không? Không. Nó dùng một endpoint chuyên dụng POST /v1/systemone với body state cộng với questions và trả về xác suất thay vì các hoàn thành, nên một client kiểu OpenAI không thể gọi nó mà không thay đổi. Trên APIMaster, hãy gọi cùng hình dạng gốc đó tại https://apimaster.ai/v1/systemone với jev-latest.

Jev có sẵn trên APIMaster không? Có. Dùng model ID jev-latest với POST https://apimaster.ai/v1/systemone; giá đang hoạt động là $0.042 mỗi 1M token đầu vào và $0 đầu ra. Xem thẻ marketplace Jev trước khi dùng trong sản xuất. Ghép nó với một mô hình văn bản như gpt-5.6-luna, glm-5.3-flash, hoặc deepseek-flash khi một tác vụ cũng cần văn bản được sinh ra.

Jev có hỗ trợ tiếng Trung và các ngôn ngữ không phải tiếng Anh khác không? TypeSafe nêu rằng tiếng Anh là ngôn ngữ huấn luyện chính và là nơi độ chính xác hiện tốt nhất, và rằng các ngôn ngữ khác bao gồm CJK được xử lý nhưng không tốt như nhau. Tài liệu khuyên bạn nên kiểm tra trên nội dung của riêng mình và theo dõi các giá trị độ tin cậy khi định tuyến.

Tôi có thể fine-tune Jev trên dữ liệu của riêng mình không? Không. TypeSafe không fine-tune hoặc thích ứng LoRA Jev theo từng khách hàng, và không huấn luyện trên các yêu cầu hoặc phản hồi của khách hàng. Hành vi theo lĩnh vực được định hình thông qua state, hướng dẫn và tiêu chí trong mỗi yêu cầu.

Những tác vụ nào tôi nên giữ ngoài Jev? TypeSafe công bố chín: đọc theo nghĩa đen, toán và số, so sánh ngày và giờ, gián tiếp, state lớn đầy chi tiết không liên quan, nội dung đối kháng, tiêu chí mâu thuẫn, bất biến cấu trúc theo lẽ thường, và sinh văn bản. Đếm và số học thuộc về mã của bạn.

Tôi có thể tự host một giải pháp thay thế không? Có các bản tái tạo mở — SemIf, NanoJev, và encoder laya Apache-2.0 trong số đó — nhưng chúng là các dự án độc lập với benchmark riêng, không phải Jev. Hãy coi các so sánh được công bố là đo lường của chính các dự án đó.

Khi nào tôi nên dùng Jev thay vì một LLM chi phí thấp? Khi quyết định hẹp và có kiểu, bạn đưa ra nó thường xuyên, và bạn cần nó trả về trong hàng trăm mili giây thay vì hàng giây. Đối với lý luận ngữ cảnh dài, sinh văn bản, hoặc bất cứ thứ gì cần số học, một mô hình generative chi phí thấp là lựa chọn tốt hơn.

Nguồn và đọc thêm

• TypeSafe — Models — model ID, alias, giá $42/Btok, giới hạn tốc độ, ngân sách ngữ cảnh, hỗ trợ ngôn ngữ và xử lý dữ liệu
• TypeSafe — Jev 1.13 jaggedness — các lĩnh vực TypeSafe loại ra ngoài phạm vi, kèm mẫu được khuyến nghị cho mỗi lĩnh vực, xem xét ngày 17 tháng 9 năm 2026
• TypeSafe — API reference và Quick start — endpoint, hình dạng yêu cầu và phản hồi, cách dùng SDK
• TypeSafe — Introducing System One Models and Jev — bài đăng ra mắt, con số đầu-cuối 70–500ms và so sánh 40×–200×
• Thảo luận trên Hacker News — 1.918 điểm trên luồng ra mắt
• browser-use/jev-ultrafast — không gian hành động, thiết kế thao tác-và-mục tiêu trong một yêu cầu duy nhất, và trình diễn Google Flights
• Made with Jev — 724 competitor ads, broken down — trang build phân tích quảng cáo, cùng với bài đăng của tác giả
• Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds
• Hugging Face — convaiinnovations/laya và TheoLeeCJ/SemIf — các bản tái tạo mở, độc lập

Tài liệu mô hình và ghi chú phạm vi của TypeSafe được kiểm tra ngày 20 tháng 9 năm 2026. Route jev-latest và giá của APIMaster được kiểm tra ngày 21 tháng 9 năm 2026. Giá cả, giới hạn tốc độ, và tình trạng dự án thay đổi — hãy xác minh trên thẻ trực tiếp hoặc trang của chính nhà cung cấp trước khi cam kết một khối lượng công việc.