Jev API：TypeSafe 的 System One 模型是什么、成本多少、适合哪些场景
Jev 是 TypeSafe 的 System One 模型：它返回校准后的概率，而不是文本。已确认的模型 ID、端点、价格、速率限制、TypeSafe 自己说明的适用边界，以及今天要获得快速判断该运行什么。
发布于 2026-09-20
Jev 是 TypeSafe AI 的“System One”模型，它不写文本。 你发送一个 state（字符串、JSON 对象或数组）以及一组带类型的问题映射，它会返回校准后的概率，你的代码可以直接据此分支：Choice 从你定义的一组选项中选出一个，Score 根据你定义的等级对内容评分，Noul 返回某个是/否陈述为真的概率。一次请求中的所有问题都会在单次处理中针对同一个 state 进行评估，且不会逐 token 生成任何内容。
已确认的规格，核查于 2026 年 9 月 20 日：
- 模型 ID
jev-1.13.0，别名jev-latest（SDK 默认值）和jev-preview。两个别名目前都指向 1.13。 - 端点
POST https://api.typesafe.ai/v1/systemone，以及GET /v1/models。Python SDK 为typesafe-sdk，JavaScript 为@typesafe-ai/sdk。 - 价格 每十亿输入 token 42 美元（每 1M 为 $0.042）。输出 token 免费；仅按输入计费。
- 上下文 每个请求 64k token，涵盖 state 加上所有问题的总和；state 加上单个最长问题为 32k。
- 速率限制 250,000 token/秒和 1,200 请求/分钟。TypeSafe 表示这些限制会动态调整，并可能在不另行通知的情况下变更。
- 输入 仅文本。图像、音频、视频和二进制文件必须先转换为文本或结构化字段，才能作为 state 发送。
- 语言 英语是主要训练语言；其他语言，包括 CJK 文字，也能处理，“但效果并不等同。”
Jev 正在接入 APIMaster。 接入正在进行中，完成后会在本页同步更新。补充说明厂商侧的情况：TypeSafe 的原生端点是专门构建的 /v1/systemone 路由，请求体是 state 加 questions 而不是 messages，因此 OpenAI 风格客户端无法原样调用厂商 API。
你实际购买的配套产品是文本模型。 TypeSafe 自己的文档将生成任务交给生成式模型，社区项目也只在需要书面输出的步骤上调用小型文本模型。这正是 APIMaster 能帮上忙的地方：gpt-5.6-luna 起价 每 1M token 输入 $0.022 / 输出 $0.134（3 条线路在售，比 OpenAI 的 $0.20 / $1.20 标价低约 89%），glm-5.3-flash 起价 $0.105 / $0.35（3 条线路，比智谱标价低约 30%），deepseek-flash 起价 $0.15 / $0.60（1 条线路，与 DeepSeek 的错峰价格一致，无网关加价）。一个 OpenAI 兼容密钥即可覆盖所有这些模型——参见 GPT-5.6 Luna 卡片和模型市场。线路价格随渠道供给变化，因此实时卡片上的数字才是真正算数的。
GPT 体验卡（GPT-6 Astra、GPT-5.6、GPT-5.5和GPT Image 2 可用）
现在注册，领取 $20 GPT 体验卡
Jev 究竟是什么
TypeSafe 于 2026 年 9 月 15 日推出 Jev，作为首个“System One 模型”。这一框架来自卡尼曼的《思考，快与慢》：当前 LLM 表现得像推理、审慎的系统，而 TypeSafe 正在构建快速、直觉的那一半——只不过这里的“直觉”指的是对答案的校准概率分布，而不是以文本形式呈现的直觉感受。
这个名字是对杰文斯的引用，其卖点在于：一个快速、低成本的决策原语，其调用频率会远高于昂贵的模型。
与 LLM 的机械差异对工程而言才是关键：
- 输出是带类型的。 你预先声明答案的形状——在可枚举选项上的
Choice、在描述性等级上的Score，或带概率的Noul（是/否）。没有需要解析的自由文本，匹配 schema 是架构本身的属性，而不是你寄希望于模型遵守的东西。 - 你得到的是概率，而不只是一个选择。
Choice返回所选选项，以及每个选项的概率和一个单独的confidence值。这正是让你能基于不确定性进行路由的原因：高于阈值就行动，低于阈值就回退到更大的模型。 - 问题并行运行。 Jev 只摄取一次 state，并同时对请求中的每个问题进行评估。问三十个问题而不是一个，增加的墙钟时间非常少，这正是下面这些批量分类用例得以成立的原因。
- 它刻意保持狭窄。 TypeSafe 的指导是把控制流留在你的代码中，给 Jev 原子化、结构化的决策，而不是一个庞大的判断。 输出没有顺序结构。 TypeSafe 的创始人曾表示，输出侧不允许字符串及其他顺序数据结构，给出的理由正是这一点：正是它让每个答案都能并行计算，这也是为什么没有输出 token 需要计费。你无法让 Jev 为你写一个句子，而这一限制正是其定价的基础。
一个最小请求如下所示：
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 规格一览
| 规格 | Jev 1.13 |
|---|---|
| 模型 ID | jev-1.13.0 |
| 别名 | jev-latest、jev-preview（目前都指向 1.13） |
| 端点 | POST https://api.typesafe.ai/v1/systemone |
| 价格 | 每十亿输入 token 42 美元 / 每 1M 为 $0.042 |
| 输出定价 | 免费——仅按输入计费 |
| 速率限制 | 250,000 token/秒和 1,200 请求/分钟，声明为动态 |
| 上下文长度 | 每请求 64k（state 加所有问题）；state 加最长问题为 32k |
| 输入类型 | 文本：字符串、JSON 对象或数组。无图像、音频或视频 |
| 输出 | 带类型的 Choice、Score 和 Noul 答案，含概率和置信度 |
| 客户端 SDK | Python typesafe-sdk，JavaScript @typesafe-ai/sdk |
| 每账户自定义权重 | 否。Jev 不会用客户数据进行微调或 LoRA 适配 |
| 来自客户的训练数据 | 否。请求和响应不会用于训练 |
Jev 适合做什么，哪些该留在代码里
TypeSafe 也详细说明了 jev-1.13 的适用边界：九个方面，每项都给出推荐做法，最后审阅于 2026 年 9 月 17 日。
| # | 方面 | TypeSafe 的指导 |
|---|---|---|
| 1 | 字面解读——它回答的是你写下的问题，而不是你想问的问题 | 陈述确切条件；把边界情况写进标准中 |
| 2 | 数学与数字——它不是计算器，也不能可靠计数 | 把算术和计数留在代码中 |
| 3 | 日期与时间比较——日期被当作文本读取，而不是有序量 | 提取组成部分；在代码中比较 |
| 4 | 间接性——双重否定和多跳问题会损失准确率 | 减少跳数；直接指向相关 state |
| 5 | 充满无关细节的大型 state | 先过滤；只发送问题所需的内容 |
| 6 | 对抗性内容 | 编写精确指令，并在部署前测试边界情况 |
| 7 | 相互矛盾的指令和标准 | 让指令与标准保持一致 |
| 8 | 常识性结构不变量 | 每个决策只以一种方式提问；在代码中强制不变量 |
| 9 | 生成 | 使用生成式模型 |
其中两项在实际使用中最关键。第一，计数：文档明确说明 jev-1.13“不能可靠计数”——单词中的字符数、段落中的出现次数、长列表中的项目数——而且误差会随着被计数对象的规模而增大。第二，生成：Jev 不会写你的摘要、回复或提交信息。它做决策；由别的东西来写。
TypeSafe 自己推荐的计数模式展示了预期的分工：在代码中遍历候选项，对每个候选项问一个 Noul，然后自己把答案加起来。
那些头条数字从何而来
几乎每一场关于 Jev 的讨论都会带上两个数字。它们来自不同来源，描述的是不同的事情。
0.7 秒。 Every 发表了一篇题为“TypeSafe 的 Jev 在 0.7 秒内评判了我写过的所有内容”的文章。收录该报道的构建索引将其描述为跨 37 篇文章的 777 次判断。我们无法加载文章全文来确认其成本数字，因此围绕该演示引用的单次运行成本应视为作者自己的测量，而非公布费率。
724 条广告，40 秒，约 9 美分。 这一项有两次记录。构建页面 madewithjev.com — 724 条竞品广告，逐一拆解 指出，来自 37 个品牌的 724 条实时广告在大约 40 秒内完成分析。作者的 X 帖子（2026 年 9 月 17 日）补充了成本——“用了 9 美分的 token”——并列出了每条广告提取的维度：钩子、形式、优惠、CTA、认知阶段和落地页错配。
两者之间的区别值得保留：0.7 秒是模型在段落级语料上的评估时间，而 40 秒涵盖的是抓取和处理 724 条实时广告。这两个数字都不是你工作负载的吞吐量保证。
社区正在用它构建什么
Jev 的采用情况异常容易考察，因为第一周发布的内容几乎全是开源的。下面的星标数读取自 2026 年 9 月 20 日的 GitHub API。
浏览器与计算机使用。 browser-use/jev-ultrafast（★10,113）来自 browser-use 组织，是定下基调的项目。它暴露一个固定的动作空间（CLICK、TYPE_TEXT、SELECT、SCROLL_UP、SCROLL_DOWN、WAIT、DONE、BLOCKED），并要求 Jev 同时选择操作和目标元素。这两个决策都放进单个 TypeSafe 请求中，目标问题被标记为推测性。只有 TYPE_TEXT 会调用文本模型，而且 README 自己的示例用的就是一个小模型。其演示任务——在 Google Flights 上从苏黎世到伦敦——被引用为 7.1 秒，包括文本生成和页面加载。没有针对特定网站的脚本。
编码智能体上下文压缩。 tamaratran/fast-jev-compaction（★4,544）判断编码智能体记录中哪些工具结果仍然值得保留，从而无需完整摘要处理即可压缩长会话。其他智能体框架也有移植版和变体。
智能体护栏。 DevMortimer/pi-warden（★99）和 shiftynick/jev-axi（★17）都在每条命令或工具调用前加一道判断：先询问，拦截危险的那些。这正是“校准概率加上你自己代码中的阈值”确实优于需要你解读的文本答案的模式。
模型路由。 vinilana/jev-gateway（★61）将简单请求路由到低成本层级，只升级困难的那些。这是对 TypeSafe 自身论点最直接的表达——一次决策的成本可以只是它所把关的生成的一小部分。
游戏与控制演示。 fhshaik/typesafe-mario（★289）从结构化模拟器状态玩《超级马里奥兄弟》，RomanSlack/jev-drone（★81）在 MuJoCo 中运行无人机控制循环。这些项目的传播速度远快于其落地速度；把它们当作接口的演示，而不是生产可靠性的证据。
开放复现。 对于想要这种能力但不想引入新供应商的人来说，这是最有趣的线索。TheoLeeCJ/SemIf（★2,123）在家用单张 RTX 3090 上运行一个开放模型，并明确表示它与 TypeSafe 无关。TianyuCodings/NanoJev（★1,175）是一个小规模复现。convaiinnovations/laya 是一个 Apache-2.0、可商用的编码器，带有 RLCD 训练的决策头，发布在 system-one 和 calibrated-decisions 标签下，并在 receptron/laya 中有配套运行器。这些都不是 Jev，它们发布的基准图表也是它们自己的；重点在于这种模型的形态是可复现的。
批量分类。 上面的广告拆解是旗舰示例，也是最有可能在生产环境中存活的模式：保持 state 固定，在一个请求中问许多狭窄的问题，然后读取概率。
Jev 真的比低成本 LLM 更便宜吗？
按输入 token 算并不是，而这正是大多数文章跳过的部分。Jev 收费 每 1M 输入 token $0.042。在 APIMaster 上，gpt-5.6-luna 促销价低至 每 1M 输入 token $0.022——大约是 Jev 输入费率的一半——glm-5.3-flash 为 $0.105，deepseek-flash 为 $0.15。最便宜的托管生成式模型在输入价格上已经低于 Jev。
Jev 的成本论点建立在另外三件事上：
- 没有输出 token。 最便宜的生成式模型仍会为每次判断输出文本，而输出定价是输入的数倍。Jev 返回一个概率就结束。
- 延迟。 TypeSafe 公布的端到端响应时间为 70ms 到 500ms，并将在 System One 形态查询上与前沿模型的对比描述为快 40 倍到 200 倍。速度正是让决策能运行在请求路径中、而不是排在队列后面的原因。
- 边际问题几乎免费。 因为问题在一个 state 上并行展开，第十个问题的成本只是第十次 API 调用的一小部分。
这是否划算取决于你的工作负载。如果你的判断次数少、篇幅长，并且能从推理中获益，那么带结构化输出的低成本 LLM 是更好的选择。如果你每单位工作要做许多短判断，或者需要在用户察觉到停顿之前就得到答案，那么这笔账就不一样了。
能用 OpenAI 兼容密钥调用 Jev 吗？
针对 TypeSafe 自己的端点，答案是不能，而且这种差异是结构性的，不是配置问题：
- 路由不同。 TypeSafe 只记录了一个评估端点
/v1/systemone，以及一个/v1/models列表。没有记录/chat/completions。 - 请求体不同。 请求携带
state和一个带类型questions的映射。OpenAI 风格的请求体携带messages，并期望返回生成的文本。 - 响应不同。 你收到的是以你选择的问题名称为键的概率和置信度值，而不是补全字符串。
如果直接对接 TypeSafe 的 API，让 OpenAI 兼容客户端与 Jev 通信意味着要双向编写转换层——这正是上面路由部分中的社区网关所做的事。Jev 正在接入 APIMaster，接入完成后会在本页同步更新。在那之前，要在 OpenAI 兼容端点上做快速判断，就用下面这些低成本层级。
今天需要快速判断时该运行什么
如果你真正需要的是从现有 OpenAI 兼容端点获得一个判断，那么实际问题就是把请求发往哪个低成本层级。截至 2026 年 9 月 20 日的 APIMaster 实时线路：
| 模型 ID | 在售线路 | 起价（每 1M 输入 / 输出） | 参考标价 | 约折扣 |
|---|---|---|---|---|
gpt-5.6-luna |
3 | $0.022 / $0.134 | $0.20 / $1.20 | 约 89% off |
glm-5.3-flash |
3 | $0.105 / $0.35 | $0.15 / $0.50 | 约 30% off |
deepseek-flash |
1 | $0.15 / $0.60 | 与 DeepSeek 错峰价相同 | 无加价 |
gpt-5.6-terra |
15 | $0.12 / $0.72 | $2.00 / $12.00 | 约 94% off |
gemini-3.8-flash |
7 | $0.20 / $1.00 | $1.50 / $7.50 | 约 87% off |
在撰写本文时 Jev 本身仍在接入中，下面这一档是过渡期该用的选择。关于如何解读这张表，有三点说明。价格是核查时在售的最低线路，同一模型的不同线路价格不同——在承诺用量前先打开模型卡片。deepseek-flash 按 DeepSeek 自己的错峰价定价，所以诚实的说法是“无网关加价”，而不是折扣。而且更低的输入价格并不自动意味着更便宜：输出长度、缓存命中行为和重试率通常主导最终账单。
在单个密钥上运行 Jev 风格流水线的一种可行分工：
- 把狭窄、高频的决策放在小型、低成本层级上，并用你自己的置信度阈值把关。
- 只把低于该阈值的案例升级到更强的模型。
- 把计数、算术和日期比较留在你自己的代码中——这是 TypeSafe 给出的同样建议，而且它适用于表中的每一个模型。
创建 APIMaster 账户，从 $1 起添加按量付费额度，在控制台中创建密钥，并将 OpenAI 兼容客户端指向 https://apimaster.ai/v1，使用上面任意模型 ID。一个密钥即可覆盖 GPT、GLM、DeepSeek、Gemini 和 Claude 系列，因此第 2 步中的升级路径仍保持在同一个集成上。在把生产流量切过去之前，先用模型测试器验证线路。
FAQ
什么是 Jev？
Jev 是 TypeSafe AI 的 System One 模型。它接收一个 state 以及一组带类型的问题映射，并返回校准后的概率——Choice、Score 和 Noul 答案——而不是生成的文本。
Jev 是语言模型吗？ 不——而且 TypeSafe 自己的措辞比这更明确。在发布帖中，创始人将其描述为“一个结构化数据模型，但严格来说不是语言模型（它不生成语言）”。它读取你发送的文本，并返回带有概率和置信度值的类型化决策，而且它从不生成散文。TypeSafe 将其与 RLHF 聊天模型和 RLVR 推理模型并列，作为第三类，而不是其中任何一类的缩小版。
Jev 的模型 ID 是什么？
jev-1.13.0。别名 jev-latest 和 jev-preview 目前指向同一版本；SDK 默认使用 jev-latest。
Jev 多少钱？ 每十亿输入 token 42 美元，即每 1M 输入 token $0.042。输出 token 免费，且仅按输入计费。
Jev 兼容 OpenAI 吗？
TypeSafe 自己的 API 不兼容。它使用专用的 POST /v1/systemone 端点，请求体为 state 加 questions，并返回概率而不是补全，因此 OpenAI 风格的客户端无法原样调用。Jev 正在接入 APIMaster，接入完成后会在本页同步更新。
Jev 在 APIMaster 上可用吗？
尚未开售——Jev 正在接入 APIMaster，接入完成后会在本页同步更新。在此之前，你可以先用在售的低成本文本层级，与你自建的决策层搭配；参见 gpt-5.6-luna、glm-5.3-flash 和 deepseek-flash 的实时卡片。
Jev 支持中文和其他非英语语言吗？ TypeSafe 表示英语是主要训练语言，也是目前准确率最好的语言，其他语言包括 CJK 也能处理，但效果并不等同。文档告诉你要在自己的内容上测试，并在路由时关注置信度值。
我可以用自己的数据微调 Jev 吗？ 不可以。TypeSafe 不会按客户对 Jev 进行微调或 LoRA 适配，也不会用客户的请求或响应进行训练。领域行为是通过每次请求中的 state、指令和标准来塑造的。
哪些任务该放在 Jev 之外？ TypeSafe 公布了九项：字面解读、数学与数字、日期与时间比较、间接性、充满无关细节的大型 state、对抗性内容、相互矛盾的标准、常识性结构不变量，以及生成。计数和算术应留在你的代码中。
我可以自托管替代方案吗？
有开放复现——其中包括 SemIf、NanoJev 和 Apache-2.0 的 laya 编码器——但它们是独立项目，有自己的基准，并不是 Jev。把公布的比较视为这些项目自己的测量。
什么时候应该用 Jev 而不是低成本 LLM？ 当决策狭窄且带类型、你频繁做出该决策，并且需要在数百毫秒而不是数秒内得到结果时。对于长上下文推理、生成，或任何需要算术的任务，低成本生成式模型是更好的选择。
来源与延伸阅读
- TypeSafe — Models — 模型 ID、别名、$42/Btok 定价、速率限制、上下文预算、语言支持和数据处理
- TypeSafe — Jev 1.13 jaggedness — TypeSafe 划定的适用边界及每项的推荐做法，审阅于 2026 年 9 月 17 日
- TypeSafe — API reference 和 Quick start — 端点、请求和响应结构、SDK 用法
- TypeSafe — Introducing System One Models and Jev — 发布文章、70–500ms 端到端数字和 40×–200× 对比
- Hacker News 讨论 — 发布帖获得 1,918 分
- browser-use/jev-ultrafast — 动作空间、单请求操作与目标设计，以及 Google Flights 演示
- Made with Jev — 724 条竞品广告，逐一拆解 — 广告分析构建页面，附作者的帖子
- Every — TypeSafe 的 Jev 在 0.7 秒内评判了我写过的所有内容
开源复现。 对于任何希望在不引入新供应商的前提下获得这一能力的人来说，这是最值得关注的一条线索。
TheoLeeCJ/SemIf（★2,123）在一台家用 RTX 3090 上运行一个开源模型，并明确说明它与 TypeSafe 无关。TianyuCodings/NanoJev（★1,175）是一个小规模复现。convaiinnovations/laya是一个 Apache-2.0 许可、可商用的分类模型，使用 RLCD 训练，发布在system-one和calibrated-decisions标签下，并在receptron/laya中附带了对应的运行器。这些都不是 Jev，它们发布的基准图表也都是各自的；重点在于，这个模型的形态是可复现的。
TypeSafe 的模型文档和适用边界说明核查于 2026 年 9 月 20 日；星标数和 APIMaster 线路价格读取于同一天。Jev 的 APIMaster 接入正在进行中，本页会随进展更新。定价、速率限制和项目状态会变化——在承诺工作负载之前，请在实时卡片或供应商自己的页面上核实。