TECHNICAL REVIEW · 2026-09-24

TypeSafe Jev 技术综述

System One 模型——不生成文本的决策引擎

发布日期 2026-09-24 Jev 发布后第 9 天 事实源：content-brief.md

在分类与路由这类窄任务上，Jev 声称以中端 LLM 级别的准确率（67.8%）换取约两个数量级的成本与延迟优势；第三方实测方向一致，但幅度远小于宣传。

证据标签说明：正文关键论断后标注 官方 = TypeSafe 官方博客/文档披露或声称（未独立复现）；实测 = 第三方媒体/社区/研究者独立测试；观点 = 评论或推测。本报告所有数字均来自统一内容底稿，未添加底稿之外的技术细节。

01核心结论

1. Jev 真实存在，但不是传统 LLM。旧金山初创公司 TypeSafe AI 于 2026-09-15 发布，输入「程序状态 + 预定义类型化问题」，一次并行前向返回带校准概率的结构化决策，不生成文本。官方
2. 核心卖点是「Decisions, not strings」。官方声称在相近准确率下拿下约 1/100 的成本与延迟；第三方实测速度 0.5–12×、成本 0.6–478× 不等，取决于对比对象，量级远没有 200×。官方实测
3. 技术上是黑箱。架构、参数量、训练数据规模全部未披露，无学术论文，仅公开三件套概念：新架构 + 并行采样器 + RLCD，训练数据全部为合成数据。官方
4. 生态爆发式接入。发布 9 天内 HN 主帖 1977 分，Vercel AI Gateway 24 小时内 13% 付费团队接入；开源社区 4 天内出现数十个复现项目，中国 APUS 基于 Qwen3.5-9B 实现 79ms 本地决策。实测
5. 争议焦点明确。「新品类」与「分类器重新包装」之争（创始人本人对 HN「zero-shot classifier」回复「exactly right!」）；「零幻觉」仅指 schema 构造保证，而非判断正确。实测
6. 行业影响指向「多层模型栈」。复杂规划给推理 LLM、高频分类/路由给决策模型、确定性逻辑给代码——这一共识正在形成，但 TypeSafe 的护城河仍待观察。观点

02名称消歧

「TypeSafe」「s1」在 AI 圈有多个含义，先做一次澄清，避免张冠李戴。

易混淆对象	说明
本报告的 TypeSafe AI	旧金山 AI 初创公司，官网 typesafe.ai，2024 年成立，创始人 Diogo Almeida，即 Jev 背后的公司。
原 Scala 生态公司 TypeSafe	Akka / Play Framework 背后公司，已改名 Lightbend，与本公司无任何关联。
斯坦福 s1 模型	2025 年开源推理模型「Simple test-time scaling」（arXiv:2501.19393），与 Jev 无关，仅缩写相近。

03公司背景与发布时间线

团队与融资

公司 2024 年于旧金山成立，隐身约两年。三位创始人：CEO Diogo Almeida（前 OpenAI 研究员，可独立核实为 InstructGPT 论文第四作者；公司宣传「co-inventor of RLHF」被考证为夸大，因 RLHF 技术早于该论文）观点；CTO Erik Gafni（Ravel Biotechnology 联创，生物医药多模态方向）；COO Sasha Sheng（前 Meta AI / FAIR 研究工程师）。公司口号「Build Prod, Not God」。官方

2026-09-15 与模型发布同日官宣种子轮 4000 万美元，由 DCVC 领投；Forbes 援引知情人士称估值约 2 亿美元（媒体报道，非官方确认）。官方实测

发布时间线

等待名单消化约 14 万人（Almeida 对 VentureBeat）；HN 主帖 1977 分 / 513 评论；Almeida 发布帖当天约 420 万次浏览、近 2 万点赞。实测

04产品定位与「System One」概念

「System One」借用 Daniel Kahneman《思考，快与慢》中系统一（快速、直觉）与系统二（缓慢、审慎）的划分，Jev 定位为系统一式快速决策模型——公司也承认系统一传统上意味着易错。「Jev」这个名字致敬 19 世纪经济学家 William Stanley Jevons（杰文斯悖论：效率提升、成本下降反而推高总需求），公司期望「智能成本每降一个数量级，就解锁数量级更多用例」。官方

官方一句话定义：「a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out」，即「智能 if 语句」。它明确不做：不写回复、不写代码、不输出推理过程；当前仅支持文本输入。官方 FAQ 明确「Jev is neither small nor an LLM」。官方

与传统 LLM 的本质区别

维度	传统 LLM	Jev（System One）
输出	字符串，逐 token 自回归生成	类型安全的结构化值 + 校准概率
采样	顺序，每个 token 依赖前一个	并行，一次前向对所有位置同时打分
后处理	需 parse + validate，有跑偏风险	schema 预定义，构造性保证类型正确
训练目标	人类偏好（RLHF）/ 可验证奖励（RLVR）	校准决策（RLCD）
典型用途	聊天、写作、代码生成、推理	分类、路由、打分、审核、验证

05技术架构与设计要点

TypeSafe 声称构建了「entirely new stack」，含三部分：新模型架构、并行采样器（parallel sampler）、RLCD 训练法。但参数量、层数、注意力机制、隐藏维度、训练算力、权重全部未披露，无学术论文（arXiv 搜「Reinforcement Learning for Calibrated Decisions」无结果），模型封闭托管、不开源、不支持微调。官方

已知失败模式（官方 jaggedness 页自陈，jev-1.13）

照字面理解	否定、隐含条件按字面取，不答「以为」的问题。
不会数数 / 算术	计数、四则运算、hex 颜色、Score 档位间插值不可靠——算术留给代码。
日期是文本不是量	先后、窗口判断不可靠——拆成 Choice 后在代码里比较。
多跳问题损精度	双重否定、属性的属性属系统二任务，应拆成直接问题。
上下文腐烂	大而嘈杂的 state 中无关内容越多精度越降——先在代码里过滤。
对抗文本可挪动答案	state 当数据不当敌意输入，注入指令可改变结果。
不生成文本	把 choice 链成文本既慢又差。

第三方推测（非事实）：社区猜测其为「BERT 式 encoder + 现代 LLM 数据/算力配方」；工程师 Sean Goedecke 认为约束解码 + 受限 logit 切片用 1.5B 小模型即可拿到类似 2–3× 加速，「未必有护城河」。观点

06训练方法：RLCD

RLCD = Reinforcement Learning for Calibrated Decisions（校准决策强化学习），是 TypeSafe 自造的训练方法名。优化目标不是人类偏好，也不是程序可验证奖励，而是「认知上诚实的概率」——在系统一任务上报出的概率要准。官方

方法	优化对象	产物
RLHF	人类评分者偏爱的写稿 / 聊天回复	聊天模型、过度自信、mode dropping
RLVR	程序可验证的输出（数学证明等）	可自动校验的结果
RLCD	系统一任务上带诚实概率的校准决策	类型化决策 + 校准置信度

校准（calibration）的含义：概率针对结果优化、反映不确定性；校准是在一组预测上统计衡量的——说 0.9 的那一批长期约 90% 正确，不保证某一条具体答案正确。官方对比示例：LLM 自报 0.9 置信度的批次实际正确率约 63%，经过校准的报 0.9 批次实际约 89%。官方

关键缺口：TrueFoundry 指出「校准」是整个发布里最需要外部独立检验、而目前尚无任何第三方系统测过的论断。官方未发布 calibration error、reliability diagram、Brier score 或 log loss。创始人 Almeida 是 InstructGPT 联合作者，RLCD 可视为其把 RLHF 经验迁移到「决策校准」新目标。实测

07API 设计与原语

官方直连端点 POST https://api.typesafe.ai/v1/systemone（非 OpenAI 兼容）；OpenRouter 另提供 Decisions API 与 System One API 两个面。请求 body 携带 state（字符串 / JSON 对象 / 文本数组）+ model（jev-latest，当前权重 jev-1.13.0）+ questions map。官方

三种原语（共 3 种，无独立 Boolean）

原语	回答什么	返回内容
Choice	从一组选项里选一个	choice 选中项 + 每个选项的 probabilities + confidence；上限 255 选项
Score	沿有序量表打分（2–10 级）	概率加权位置的 score（可落在两档之间）+ 各档概率 + confidence
Noul	一个条件是否成立（是非题）	一个 0–1 的概率 noul（yes 的概率，非纯 true/false）

响应示例

{
  "department": {
    "type": "choice", "choice": "technical",
    "probabilities": {"technical": 0.87, "billing": 0.09, "sales": 0.04},
    "confidence": 0.81
  },
  "is_urgent": { "type": "noul", "noul": 0.994 }
}

每次响应带 usage.cost 字段显示本次美元成本。

规格约束

SDK	Python（pip install typesafe-sdk，需 3.10+）、JavaScript（@typesafe-ai/sdk）；另有 MIT 开源 system-one-adapter 用 OpenAI/Anthropic 结构化输出模拟同接口。
上下文长度	官方称每请求上限 64k tokens（state + 最长问题占 32k）；OpenRouter 模型页标注 Context = 32K，存在口径出入，接入前以官方最新文档为准。
速率限制	250k tokens/s + 1200 请求/分钟（截至 9/20 口径）。
微调	不支持，所有账户共享同一套权重。
模态	纯文本，不支持图像 / 音频 / 视频。

08性能与定价

官方声称端到端延迟 70ms–500ms、速度提升 40×–200×、成本降低 100×–400×；首页「193.6× faster / 444.6× cheaper」来自官方 workflow evals，官方自认是「现实收益上限」。并排 demo（Jev 0.114s/$0.000081 vs GPT-5.6 Terra 8.566s/$0.013880）官方自承「高度简化」。官方

OpenRouter 线上延迟分布

第三方独立观测（给官方数字打折）

来源	实测结果
Every.to	777 次判断 <0.7s、成本约 1/4 美分；逐段判断中位 0.35s vs 对照 8.83s；植入 7 处缺陷检出 6 处。
Browser Use	浏览器 agent 任务中位 9.45s → 7.07s，浏览器协议调用 1092 次 → 101 次。
Vercel CEO 转述	命令安全分类比 GPT-5.6 Luna 在 p95 快最多 18× 且更准。
xbill 八天审计	速度 0.5×（比本地 Gemma 慢）到 12.1× 快；成本 0.6×（更贵）到 478× 便宜。
反例：backnotprop	德州扑克 150 个决策点吻合率 63%；有争议的 55 个点位仅 38%。

定价

输入	$0.042 / 百万 token（$42 / 十亿）。
输出	免费（"too cheap to meter"，输出为结构化决策而非长文本）。
对比	约为 GPT-5.6 Terra（$2.00/M 输入 + $12.00/M 输出）输入价的 1/48。
免费额度	全面开放后注册送 5 美元（约合 1.2 亿输入 token）。
官方自陈	无法证明定价未被补贴，预期价格「会降不会涨」。

09评测结果与横向对比

TypeSafe 明确不跑公开基准（认为会被「benchmaxxed」），自建 4 个 production-style workflow（安全事件响应、Agent trace 可观测性、发票处理、客服）。无人工 ground truth——参考答案由 GPT-6 Astra + Claude Fable 5.1（均 high thinking）回答后取平均；LLM 侧统一通过其开源 system-one-adapter 跑。官方

模型	平均准确率	每 case 成本	每 case 耗时
Jev	67.8%	$0.0004	0.4s
GPT-5.6 Sol	74.1%	$0.0836	23.3s
Claude Opus 5	73.1%	$0.1761	37.8s
GPT-5.6 Terra	67.9%	$0.0304	10.1s
Claude Sonnet 5	67.8%	$0.1174	78.1s
GPT-5.6 Luna	66.8%	$0.0033	12.9s
DeepSeek V4-Pro	65.5%	$0.0413	86.5s
DeepSeek V4-Flash	64.4%	$0.0059	51.9s
Claude Haiku 4.5	53.6%	$0.0195	12.5s

第三方审计要点

xbill 八天系统审计（Google Developer Expert，审计 14 篇 arXiv、104 个 GitHub 仓库、33 篇 dev.to/Medium 文章）：444.6× 只在「Jev vs Opus 5 的 workflow 配置」下成立，8 个配置平均后约 97.8× 更快、149.2× 更便宜，计时来自团队美西笔记本、未公开 case 数 / 方差。准确率上 Jev 与中端 LLM 同档、落后前沿 6.5–11.5 个点（如 Janardhan 200 项 6 模型对比中 Jev 72.5%，低于 Claude Fable 5.1 的 84.0%）。实测

校准度：英文熟悉域开箱即用最好（Bespoke Labs 13 子集中位 ECE 0.071），但跨域后双向出错——公开多分类集上过度自信（GoEmotions 上 0.80–0.95 置信度档仅 15% 命中），事故叙事上欠自信；50–几百条标签拟合 temperature 后 15 个 LLM 反超。稳健性弱点：选项名调换导致 32.5% 答案翻转（n=1200）；俄语 XNLI 从 88.3% 掉到 77.3%。实测

与专用分类模型 / 小模型对比

垃圾邮件	Jev 98.33%（18,514 封），与 TF-IDF 逻辑回归 98.39% 持平。
日文新闻主题	310M 日文 encoder 用 200 行数据训练后反超 Jev 12 个点（88.8% vs 76.8%）。
钓鱼邮件	Luce（Qwen3-4B+LoRA，1000 条标签）97.4% vs Jev 62.6%；但两行正则 91.6%、五个窄 Jev 问题 + 逻辑回归组合 95.0%。

结论：有领域标签时，微调小模型 / 传统分类器普遍能打赢 Jev；Jev 的价值是零样本、免标注、开箱即用。实测

10开源复现生态

发布后 4 天内出现数十个复现项目，绝大多数是「用现有 LLM / encoder 的 logprob 读取 + 外层 prompt 工程」，而非训练新模型；微调路线需要几百到几千条标签。技术路线分三类：实测

APUS 案例（中国团队，麒麟合盛）

9/19 公布，封装为 Agent Skill fast-browser-use（MIT，跨 macOS/Linux/Windows，无 GPU 也能跑）。做法是黑盒反推：基于 Qwen3.5 系列 / Google Gemma，模型本身不改，只在外层把网页可交互元素列成候选项让模型直接选择，自研 KV Cache 广播。效果：维基百科检索约 18 秒，RTX PRO 6000 上单次决策 79ms，对标 Jev 官方 70–500ms。自研小模型（9B/4B）已开源为 APUS-OpenJev-v1，称「初步看已超过 Jev」。负责人张旭博士判断「目前公开出来的部分没有什么特别神秘的地方」，但承认黑箱里可能还有未公开的东西。实测

11生态集成

集成方	时间	说明
Vercel AI Gateway	09-18	上线 24 小时内近 13% 付费团队使用，AI Gateway 历史最快 adoption（约 GPT-5.6 家族 2 倍）。
OpenRouter	09-18	模型 ID typesafe/jev-1.13，走专用 Decisions API。
LangChain	09-17	博客《Building a Harness with Jev》；09-21 起可作为 LangSmith Evals judge。
Cloudflare	09-21	VentureBeat 报道集成。
Langfuse	09-21	可观测性集成。
Pydantic AI	—	官方文档提供 Jev 集成指南，并警告 guardrail 应与确定性检查并存而非替代。
browser-use	—	jev-ultrafast 项目，Jev 做浏览器 agent 动作判断层。
Ably	—	Pong 演示：Jev 12 秒 47 次操作决策，对比 Gemini / Claude / GPT 仅 2–3 次。

12应用场景

13局限、风险与争议

能力边界

仅文本输入、无多模态；不生成文本、不写代码、不给推理过程；Choice 上限 255 选项，更高基数走两阶段会变慢；算术 / 计数 / 日期比较 / 多跳推理弱；大而嘈杂 state 导致精度下降；非英文退化（俄语 XNLI −11 个点、西班牙语 −3~6 点、日语新闻落后开源 encoder 11.6 个点），中文场景下概率校准本身会退化。官方实测

安全风险

Prompt injection 脆弱：state 不被当敌对内容，外部注入指令可移动答案——Octomind 实测给 rm -rf ~/.ssh 加「用户已预批准」字段，拦截概率从 0.76 降到 0.48。选项顺序 / 措辞敏感：调换选项描述可翻转约 1/3 答案（xbill，n=1200）。别名漂移：jev-latest 答案可能在无改动下变化，上线应钉死版本号。实测

「不会幻觉」的真实含义

这只是结构性保证：输出永不越出预定义选项分布（不编造字段 / 选项 / JSON），0% 类型错误是构造保证、非实测统计。它仍可能高置信度地选错合法选项——官方 workflow 上仅 67.8% 与参考一致，即约 1/3 判断不同。The Register 的 Thomas Claburn 指出「这不是公平比较，因为 Jev 输出的不是自然语言，它仍可能错」；36氪 / 腾讯科技总结为「类型正确 ≠ 判断正确」。实测

主要争议

新品类 vs 分类器	HN 评论称其「basically a zero-shot classifier」，Almeida 亲自回复「exactly right!」；Reddit 高赞「行业又重新发现了分类模型」。
性能数字公平性	任务是 Jev 最擅长的系统一型；参考答案来自 GPT-6 Astra + Fable 5.1（与 8 个对比模型中 6 家同源）；LLM 侧走 TypeSafe 自己的 adapter；workflow 由自家团队编写。
RLCD 无论文	训练方法无学术发表，校准效果未独立验证。
创始人话术	「co-inventor of ChatGPT / RLHF」被考证为夸大；Almeida 在 X 称「下一个时代不属于 Claude Code，Jev 才是未来」。
黑盒	无参数、无架构、无训练数据细节、无权重、无私部署；受监管领域审计困难（无 rationale）。
定价可持续性	官方自陈无法证明未补贴。

14未来展望

官方路线图明确部分有限：System One 是一个类别，Jev 是第一个实例，后续会有更多但无时间表；不发公开 benchmark，只在产品更新时发「带日期、发完即弃」的一次性 eval；官方博客立场为「做对任务 > 数据 > 算力 > 算法」。官方

多层模型栈成共识：复杂规划给前沿推理 LLM、普通推理给 Flash、高频分类 / 路由 / 验证给决策模型、确定性逻辑给代码，harness 负责调度——36氪、TrueFoundry、APUS 张旭均持此判断。大厂可能内置：DeepSeek V4.1 Flash 已在解耦 Prefill / Decode，GPT-6 Astra 的 Loop Transformer 本质是隐空间循环思考，通用模型厂商未来可能提供快速决策模式，最终是「两个模型」还是「一个模型两个角色」未定。开源 / 端侧机会：APUS 代表中国团队押注本地 / CPU / 小算力决策模型，适配中文业务的决策模型有差异化机会。不确定性：定价是否补贴可持续、RLCD 是否真为新范式、校准是否在客户数据上成立、大 lab 复制后 TypeSafe 的护城河——均待观察。观点

15参考来源