Jev API：TypeSafe 的 System One 模型是什麼、費用多少，以及何時該使用它
Jev 是 TypeSafe 的 System One 模型：它回傳校準過的機率，而非文字。已確認的模型 ID、端點、價格、速率限制、TypeSafe 自行記錄的適用範圍，以及現今可用於快速判斷的替代方案。
發布於 2026-09-20
Jev 是 TypeSafe AI 的「System One」模型，它不撰寫文字。 你傳入一個 state（字串、JSON 物件或陣列）以及一組具型別的問題對應，它會回傳校準過的機率，讓你的程式碼能直接據以分支：Choice 從你定義的一組選項中挑選一個，Score 依據你定義的等級為內容評分，而 Noul 則回傳某個是/否敘述為真的機率。請求中的每個問題都會在單一回合中針對同一個 state 進行評估，且不會逐 token 生成任何內容。
已確認的規格，查核於 2026 年 9 月 20 日：
- 模型 ID
jev-1.13.0，別名為jev-latest（SDK 預設值）與jev-preview。兩個別名目前都指向 1.13。 - 端點
POST https://api.typesafe.ai/v1/systemone，另有GET /v1/models。Python SDK 為typesafe-sdk，JavaScript 為@typesafe-ai/sdk。 - 價格 每十億輸入 token 為 $42（每 1M 為 $0.042）。輸出 token 免費；僅依輸入計費。
- 上下文 每個請求 64k token，涵蓋 state 加上所有問題的總和；state 加上單一最長問題則為 32k。
- 速率限制 每秒 250,000 token 與每分鐘 1,200 個請求。TypeSafe 表示這些限制會動態調整，且可能未經通知即變更。
- 輸入 僅限文字。圖片、音訊、影片與二進位檔必須先轉換為文字或結構化欄位，才能作為 state 傳送。
- 語言 英文是主要訓練語言；其他語言（包括 CJK 文字系統）雖可處理，「但表現並不對等」。
Jev 正在 APIMaster 上進行上線導入。 整合正在進行中，一旦上線，本頁將會更新。就供應商端而言：TypeSafe 的原生端點是一條專門打造的 /v1/systemone 路由，其請求主體是 state 加上 questions，而非 messages，因此 OpenAI 風格的用戶端無法原封不動地呼叫供應商 API。
你實際購買的對應方案是文字模型。 TypeSafe 自家的文件將生成任務交給生成式模型，而社群專案僅在需要書面輸出的步驟呼叫小型文字模型。這正是 APIMaster 能幫上忙的地方：gpt-5.6-luna 已上線，價格自 每 1M token 輸入 $0.022 / 輸出 $0.134 起（3 條路由特價中，約比 OpenAI 的 $0.20 / $1.20 定價低 89%），glm-5.3-flash 自 $0.105 / $0.35 起（3 條路由，約比智譜的定價低 30%），而 deepseek-flash 自 $0.15 / $0.60 起（1 條路由，與 DeepSeek 的離峰費率相同，無閘道加價）。一組 OpenAI 相容金鑰即可涵蓋全部——請參閱 GPT-5.6 Luna 卡片與模型市集。路由價格隨通路供給變動，因此實際卡片上的數字才是關鍵。
GPT 體驗卡（GPT-6 Astra、GPT-5.6、GPT-5.5和GPT Image 2 可用）
現在註冊，領取 $20 GPT 體驗卡
Jev 究竟是什麼
TypeSafe 於 2026 年 9 月 15 日推出 Jev，作為首個「System One 模型」。這個框架源自康納曼的《快思慢想》：當前的 LLM 表現得像一個推理、深思的系統，而 TypeSafe 正在打造快速、直覺的那一半——只不過這裡的「直覺」指的是對答案的校準機率分布，而非化為文字的直覺感受。
這個名稱是對 Jevons 的致敬，其賣點在於：一個快速、低成本決策原語的呼叫頻率，遠高於昂貴的原語。
與 LLM 在機制上的差異，才是對工程真正重要的地方：
- 輸出是具型別的。 你事先宣告答案的形狀——對可列舉選項的
Choice、對描述性等級的Score，或帶有機率的Noul（是/否）。沒有自由形式的文字需要解析，而符合結構描述是架構本身的特性，而非你期望模型遵守的東西。 - 你得到的是機率，而不只是選擇。
Choice會回傳所選選項，以及每個選項的機率，外加一個獨立的confidence值。這正是讓你能依不確定性進行路由的關鍵：高於閾值就行動，低於閾值則退回更大的模型。 - 問題平行執行。 Jev 只攝取一次 state，並同時針對它評估請求中的每個問題。問三十個問題而非一個，幾乎不會增加實際耗時，這正是下列批次分類使用案例得以成立的原因。
- 它刻意保持狹窄。 TypeSafe 的指引是將控制流程留在你的程式碼中，並給 Jev 原子化、結構化的決策，而非一個龐大的判斷。 輸出端沒有順序結構。 TypeSafe 的創辦人曾表示，輸出端不允許字串及其他具順序性的資料結構，而其給出的理由正是這一點：這讓每個答案都能平行計算，也因此沒有輸出 token 需要計費。你無法要求 Jev 為你寫出一句話，而這項限制正是其價格的基礎。
一個最小請求如下所示：
curl -X POST https://api.typesafe.ai/v1/systemone \
-H "Authorization: Bearer $TYPESAFE_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?" }
}
}'
Jev 規格一覽
| 規格 | Jev 1.13 |
|---|---|
| 模型 ID | jev-1.13.0 |
| 別名 | jev-latest、jev-preview（目前兩者都指向 1.13） |
| 端點 | POST https://api.typesafe.ai/v1/systemone |
| 價格 | 每十億輸入 token 為 $42 / 每 1M 為 $0.042 |
| 輸出計價 | 免費——僅依輸入計費 |
| 速率限制 | 每秒 250,000 token 與每分鐘 1,200 個請求，聲明為動態調整 |
| 上下文長度 | 每個請求 64k（state 加上所有問題）；state 加上最長問題為 32k |
| 輸入類型 | 文字：字串、JSON 物件或陣列。無圖片、音訊或影片 |
| 輸出 | 具型別的 Choice、Score 與 Noul 答案，附帶機率與信心值 |
| 用戶端 SDK | Python typesafe-sdk、JavaScript @typesafe-ai/sdk |
| 每帳號自訂權重 | 否。Jev 不會以客戶資料進行微調或 LoRA 適配 |
| 來自客戶的訓練資料 | 否。請求和回應不會用於訓練 |
Jev 的適用範圍，以及 TypeSafe 建議留在程式碼中的部分
TypeSafe 也詳細公布了 jev-1.13 的適用範圍：九個領域，每個領域都附上其建議改用的模式，最後審閱於 2026 年 9 月 17 日。
| # | 領域 | TypeSafe 的指引 |
|---|---|---|
| 1 | 字面解讀——它回答的是你寫下的問題，而非你想問的問題 | 陳述確切的條件；將邊界情況放入評判標準中 |
| 2 | 數學與數字——它不是計算機，也無法可靠地計數 | 將算術與計數留在程式碼中 |
| 3 | 日期與時間比較——日期被當作文字讀取，而非可排序的量 | 擷取各組成部分；在程式碼中比較 |
| 4 | 間接性——雙重否定與多跳問題會犧牲準確度 | 減少跳轉；直接指向相關的 state |
| 5 | 充滿無關細節的龐大 state | 先過濾；只傳送問題所需的內容 |
| 6 | 對抗性內容 | 撰寫精確的指令，並在部署前測試邊界情況 |
| 7 | 相互矛盾的指令與評判標準 | 讓指令與評判標準保持一致 |
| 8 | 常識性的結構不變式 | 以單一方式詢問每個決策；在程式碼中強制執行恆等式 |
| 9 | 生成 | 使用生成式模型 |
其中兩項在實務上最為重要。第一，計數：文件明確指出 jev-1.13「無法可靠地計數」——單字中的字元數、段落中的出現次數、長清單中的項目數——且誤差會隨被計數對象的規模而增大。第二，生成：Jev 不會撰寫你的摘要、你的回覆或你的提交訊息。它負責決策；由其他東西負責撰寫。
TypeSafe 自家建議的計數模式，展示了預期的分工方式：在程式碼中逐一走訪候選項，為每個候選項問一個 Noul，然後自行將答案加總。
那些頭條數字從何而來
幾乎每一場關於 Jev 的討論都會提到兩個數字。它們來自不同的來源，描述的是不同的事情。
0.7 秒。 Every 發表了一篇題為「TypeSafe 的 Jev 在 0.7 秒內評判了我寫過的一切」的文章。將該篇報導編入索引的彙整資料庫將其描述為橫跨 37 篇文章的 777 次判斷。我們無法載入該文章的完整內容以確認其成本數字，因此圍繞該示範所引述的每次執行成本，應視為作者自身的測量值，而非已公布的費率。
724 則廣告、40 秒、約 9 美分。 這個數字有兩處記錄。建置頁面 madewithjev.com — 724 competitor ads, broken down 指出，來自 37 個品牌的 724 則即時廣告在約 40 秒內完成分析。作者的 X 貼文（2026 年 9 月 17 日）補充了成本——「用了 9 美分的 token」——並列出每則廣告所擷取的維度：鉤子、格式、優惠、CTA、認知階段，以及著陸頁不一致。
兩者之間的區別值得保留：0.7 秒是模型在段落規模語料上的評估時間，而 40 秒涵蓋的是擷取與處理 724 則即時廣告。這兩個數字都不是你工作負載的吞吐量保證。
社群正在用它打造什麼
Jev 的採用情況異常容易檢視，因為第一週發布的幾乎所有東西都是開源的。以下星數是於 2026 年 9 月 20 日從 GitHub API 讀取。
瀏覽器與電腦操作。 browser-use/jev-ultrafast（★10,113）來自 browser-use 組織，是奠定基調的專案。它公開一組固定的動作空間（CLICK、TYPE_TEXT、SELECT、SCROLL_UP、SCROLL_DOWN、WAIT、DONE、BLOCKED），並要求 Jev 同時選擇操作與目標元素。這兩個決策都放入單一 TypeSafe 請求中，並將目標問題標記為推測性。只有 TYPE_TEXT 會呼叫文字模型，而 README 自己的範例用的就是一個小型模型。其示範任務——在 Google Flights 上從蘇黎世到倫敦——被引述為 7.1 秒，包含文字生成與頁面載入。沒有任何針對特定網站的腳本。
程式碼代理的上下文壓縮。 tamaratran/fast-jev-compaction（★4,544）判斷程式碼代理逐字稿中哪些工具結果仍值得保留，讓冗長的會話得以壓縮，而無需進行完整的摘要處理。其他代理框架也有移植版與變體。
代理護欄。 DevMortimer/pi-warden（★99）與 shiftynick/jev-axi（★17）都在每個指令或工具呼叫前放置一道判斷：先詢問，再封鎖危險的那些。這正是「校準機率加上你自己程式碼中的閾值」確實優於必須解讀的文字答案的模式。
模型路由。 vinilana/jev-gateway（★61）將簡單請求路由到低成本層級，僅升級困難的請求。這是 TypeSafe 自家論點最直接的體現——一個決策的成本可以只是它所把關之生成的一小部分。
遊戲與控制示範。 fhshaik/typesafe-mario（★289）從結構化的模擬器狀態玩《超級瑪利歐兄弟》，而 RomanSlack/jev-drone（★81）在 MuJoCo 中執行無人機控制迴路。這些專案的傳播速度遠快於它們真正出貨的速度；請將它們視為介面的示範，而非關於生產可靠性的證據。
開放復刻。 對於想要這項能力卻不想引入新供應商的人來說，這是最有趣的一條線。 TheoLeeCJ/SemIf（★2,123）在家中單張 RTX 3090 上執行一個開放模型，並明確表示它獨立於 TypeSafe。 TianyuCodings/NanoJev（★1,175）是一個小規模復刻。 convaiinnovations/laya 是一個 Apache-2.0、可商用的編碼器，具備以 RLCD 訓練的決策頭，發布於 system-one 與 calibrated-decisions 標籤下，並附有位於 receptron/laya 的執行器。這些都不是 Jev，它們發布的基準圖表也是它們自己的；重點在於這個模型的形狀是可復刻的。
批次分類。 上述的廣告拆解是旗艦範例，也是最有可能在生產環境中存活的模式：固定 state，在單一請求中問許多狹窄的問題，然後讀取機率。
Jev 真的比低成本 LLM 便宜嗎？
以每輸入 token 而言並非如此，而這正是大多數報導略過的部分。Jev 收費 每 1M 輸入 token $0.042。在 APIMaster 上，gpt-5.6-luna 特價自 每 1M 輸入 token $0.022 起——大約是 Jev 輸入費率的一半——glm-5.3-flash 為 $0.105，deepseek-flash 為 $0.15。最便宜的託管生成式模型在輸入價格上已經低於 Jev。
Jev 的成本論點建立在另外三件事上：
- 沒有輸出 token。 最便宜的生成式模型仍會為每次判斷輸出文字，而輸出的定價是輸入的好幾倍。Jev 回傳一個機率就停止。
- 延遲。 TypeSafe 公布端到端回應時間為 70ms 至 500ms，並將在 System One 型查詢上與前沿模型的比較描述為快 40 倍至 200 倍。速度正是讓決策能跑在請求路徑內、而非卡在佇列後面的關鍵。
- 邊際問題幾乎免費。 由於問題是在同一個 state 上平行展開，第十個問題的成本只是第十次 API 呼叫的一小部分。
這是否划算取決於你的工作負載。如果你的判斷數量少、時間長，且能從推理中受益，那麼搭配結構化輸出的低成本 LLM 是更好的選擇。如果你每單位工作要做出許多短判斷，或者你需要在使用者察覺到停頓之前就得到答案，那麼這筆帳就會改變。
你能用 OpenAI 相容金鑰呼叫 Jev 嗎？
對 TypeSafe 自家端點而言不行，而這個差異是結構性的，而非設定問題：
- 不同的路由。 TypeSafe 記錄了一個評估端點
/v1/systemone，以及一個/v1/models列表。沒有記錄任何/chat/completions。 - 不同的請求主體。 請求攜帶
state與一組具型別的questions。OpenAI 風格的主體攜帶messages，並預期回傳生成的文字。 - 不同的回應。 你收到的是以你所選問題名稱為鍵的機率與信心值，而非完成字串。
就供應商 API 而言，要讓 OpenAI 相容用戶端與 Jev 對話，意味著要為兩個方向都撰寫一層轉譯——這正是上述路由章節中的社群閘道所做的事。Jev 正在 APIMaster 上進行上線導入，一旦整合上線，本頁將會更新。在那之前，若要在 OpenAI 相容端點上取得快速判斷，實際可行的選項是下列其中一個低成本層級。
當你需要快速判斷時，現今該用什麼
如果你真正需要的，是從現有 OpenAI 相容端點取得一個判斷，那麼實際的問題是要把它送到哪個低成本層級。截至 2026 年 9 月 20 日的 APIMaster 即時路由：
| 模型 ID | 特價路由數 | 自（每 1M 輸入 / 輸出） | 參考定價 | 約略折扣 |
|---|---|---|---|---|
gpt-5.6-luna |
3 | $0.022 / $0.134 | $0.20 / $1.20 | 約 89% off |
glm-5.3-flash |
3 | $0.105 / $0.35 | $0.15 / $0.50 | 約 30% off |
deepseek-flash |
1 | $0.15 / $0.60 | 與 DeepSeek 離峰相同 | 無加價 |
gpt-5.6-terra |
15 | $0.12 / $0.72 | $2.00 / $12.00 | 約 94% off |
gemini-3.8-flash |
7 | $0.20 / $1.00 | $1.50 / $7.50 | 約 87% off |
Jev 本身在撰寫本文時仍在上線導入中；在此期間，下列層級就是該使用的替代方案。關於如何解讀這張表，有三點說明。價格是查核時特價中的最低路由，而同一模型的不同路由價格各異——在投入大量用量前，請先開啟模型卡片。deepseek-flash 的定價與 DeepSeek 自家的離峰費率相同，因此誠實的說法是「無閘道加價」，而非折扣。而且較低的輸入價格並不自動等於更便宜的選擇：輸出長度、快取命中行為與重試率，通常才是最終帳單的主要因素。
在單一金鑰上執行 Jev 風格管線的一種可行分工：
- 將狹窄、高頻的決策放在小型、低成本的層級上，並以你自己的信心閾值把關。
- 僅將低於該閾值的情況升級到更強的模型。
- 將計數、算術與日期比較留在你自己的程式碼中——這與 TypeSafe 給的建議相同，且適用於表中的每一個模型。
建立 APIMaster 帳號，從 $1 起儲值隨用隨付額度，在主控台建立金鑰，並將 OpenAI 相容用戶端指向 https://apimaster.ai/v1，搭配上述任一模型 ID。一組金鑰即可涵蓋 GPT、GLM、DeepSeek、Gemini 與 Claude 系列，因此步驟 2 的升級路徑能維持在同一套整合上。在將生產流量切換過去之前，先用模型測試器驗證路由。
FAQ
什麼是 Jev？
Jev 是 TypeSafe AI 的 System One 模型。它接收一個 state 加上一組具型別的問題，並回傳校準過的機率——Choice、Score 與 Noul 答案——而非生成的文字。
Jev 是語言模型嗎？ 不——而且 TypeSafe 自己的措辭比這更明確。在發布討論串中，創辦人將其描述為「一個結構化資料模型，但技術上並非語言模型（它不會生成語言）」。它會讀取你傳送的文字，並回傳帶有機率與信心值的型別化決策，且從不生成散文。TypeSafe 將其與 RLHF 聊天模型及 RLVR 推理模型並列為第三類，而非視為兩者中任一者的縮小版。
Jev 的模型 ID 是什麼？
jev-1.13.0。別名 jev-latest 與 jev-preview 目前都指向同一版本；SDK 預設為 jev-latest。
Jev 的費用是多少？ 每十億輸入 token 為 $42，也就是每 1M 輸入 token 為 $0.042。輸出 token 免費，且僅依輸入計費。
Jev 與 OpenAI 相容嗎？
在 TypeSafe 自家 API 上並不相容。它使用專用的 POST /v1/systemone 端點，請求主體為 state 加上 questions，並回傳機率而非完成結果，因此 OpenAI 風格的用戶端無法原封不動地呼叫它。Jev 正在 APIMaster 上進行上線導入，一旦整合上線，本頁將會更新。
Jev 在 APIMaster 上可用嗎？
尚未開賣——Jev 正在 APIMaster 上進行上線導入，一旦整合上線，本頁將會更新。在此期間，你會與決策層搭配使用的低成本文字層級已經可用；請參閱 gpt-5.6-luna、glm-5.3-flash 與 deepseek-flash 的即時卡片。
Jev 支援中文與其他非英語語言嗎？ TypeSafe 表示英文是主要訓練語言，也是目前準確度最佳之處，而其他語言（包括 CJK）雖可處理，但表現並不對等。文件建議你用自己的內容進行測試，並在路由時留意信心值。
我可以用自己的資料微調 Jev 嗎？ 不行。TypeSafe 不會為個別客戶微調或 LoRA 適配 Jev，也不會以客戶的請求和回應進行訓練。領域行為是透過每個請求中的 state、指令與評判標準來塑造的。
哪些任務應該排除在 Jev 之外？ TypeSafe 公布了九項：字面解讀、數學與數字、日期與時間比較、間接性、充滿無關細節的龐大 state、對抗性內容、相互矛盾的評判標準、常識性的結構不變式，以及生成。計數與算術應留在你的程式碼中。
我可以自行託管替代方案嗎？
有開放復刻——其中包括 SemIf、NanoJev，以及 Apache-2.0 的 laya 編碼器——但它們是擁有自身基準的獨立專案，並非 Jev。請將已發布的比較視為各專案自身的測量值。
何時該使用 Jev 而非低成本 LLM？ 當決策狹窄且具型別、你經常做出該決策，且需要在數百毫秒而非數秒內取回結果時。對於長上下文推理、生成，或任何需要算術的情況，低成本生成式模型是更好的選擇。
來源與延伸閱讀
- TypeSafe — Models — 模型 ID、別名、$42/Btok 定價、速率限制、上下文預算、語言支援與資料處理
- TypeSafe — Jev 1.13 jaggedness — TypeSafe 劃出範圍之外的領域，附上各領域建議的模式，審閱於 2026 年 9 月 17 日
- TypeSafe — API reference 與 Quick start — 端點、請求與回應形狀、SDK 用法
- TypeSafe — Introducing System One Models and Jev — 發布文章、70–500ms 端到端數字與 40×–200× 的比較
- Hacker News 討論 — 發布討論串獲得 1,918 點
- browser-use/jev-ultrafast — 動作空間、單一請求的操作與目標設計，以及 Google Flights 示範
- Made with Jev — 724 competitor ads, broken down — 廣告分析建置頁面，附作者貼文
- Every — TypeSafe's Jev Judged Everything I've Written in 0.7 Seconds
開放復現。 對於任何想要取得這項能力、又不想引入新供應商的人來說，這是最值得關注的一條線索。
TheoLeeCJ/SemIf（★2,123）在家中單張 RTX 3090 上執行開放模型，並明確表示它獨立於 TypeSafe。TianyuCodings/NanoJev（★1,175）則是一項小規模復現。convaiinnovations/laya是一個以 Apache-2.0 授權、可商用的分類模型，以 RLCD 訓練，發佈於system-one與calibrated-decisions標籤之下，並在receptron/laya中附有對應的執行器。這些都不是 Jev，它們所發佈的基準測試圖表也各自屬於自己；重點在於，這個模型的形態是可復現的。
TypeSafe 的模型文件與範圍說明查核於 2026 年 9 月 20 日；星數與 APIMaster 路由價格亦於同日讀取。Jev 在 APIMaster 的上線導入正在進行中，本頁將隨進展更新。定價、速率限制與專案狀態都會變動——在投入工作負載前，請在即時卡片或供應商自家頁面上驗證。