TypeSafe Jev Decision Model 发布
Last week TypeSafe AI unveiled Jev , their first example of a new category of model that they are calling "System One models" (I'm with Maggie Appleton, I think "decision models
All guides · Full article is primarily Simplified Chinese; use the English summary below for quick takeaways (GEO-friendly).
TypeSafe AI 最近发布了 Jev，这是一个全新的决策模型（Decision Model）。它属于「System One」模型类别，核心是只接受文本输入，返回浮点数结果，用于分类、评分或概率判断。谁适合使用？适合需要快速、精准决策的任务，如垃圾邮件检测、内容优先级排序、搜索重排序或客服意图分析。相比传统 LLM 依赖 token 输出，Jev 只按输入计费，速度更快且成本更低。
在 RooHome，你可以通过订阅路径快速切换到独立垂直主题站，查看 Jev 的实际使用场景和部署指南。以下是完整决策路径，帮助你判断是否符合需求。
Jev 的核心特点
Jev 不是聊天模型，而是「结构化决策机」。输入一个包含文本、数组或键值对的状态对象（state），然后并行发送多个问题。模型返回对应结果：
- Noul（yes/no）：语句真假概率（0-1）
- Choice：多选题返回概率分布
- Score：数字区间评分
API 设计极简：一个状态 + 多问题，上下文窗口内能塞进去就行。官方文档强调它适合分类任务，特别适合重排序搜索或偏好排序。
主要优势
- 输入定价：$0.042 / million tokens（输入仅收费，输出免费）
- 速度：并行执行，时间接近单问
- 适用场景：需要浮点决策的任何任务
实际路径建议
场景一：内容分类与优先级排序
输入文章或商品描述，输出类别概率或评分分数。适合电商或内容平台快速打标。
场景二：搜索重排序
先用 BM25 拿 100 个候选，再让 Jev 对每个打分，效率远高于普通 LLM。
场景三：推荐与偏好系统
用于用户画像评分或内容推荐，输出 0-1 信任度。
决策对比表
| 模型类型 | 输出格式 | 计费方式 | 典型场景 | 适用人群 |
|---|---|---|---|---|
| 传统 LLM | 文本/代码/图片 | 输入+输出 token | 生成内容、写作 | 需要创意输出的团队 |
| Jev (Decision Model) | 浮点数（概率/评分） | 只输入 token | 分类、排序、决策 | 需要结构化判断的开发者 |
| Grok / Claude | 文本 + 工具调用 | 输入+输出 token | 对话、编程助手 | 通用智能体开发 |
数据来源：以 TypeSafe 官方定价与 Simon Willison 2026-09-21 原文为准。
为什么适合 RooHome 用户
如果你已经在 RooHome 的订阅路径里切换到 AI 比价模块，就能直接看到 Jev 与其他模型的实时价格对照。价格雷达页面会标出当前 $0.042 的优势，以及与 OpenAI GPT-5 Nano 的简单对比。
延伸阅读
风险与边界
Jev 属于黑盒决策模型，无法看到内部决策过程和偏见来源，实验时必须做充分的 evals 和对照测试，否则可能引入意外偏差。建议结合实际场景测试，不要直接用于高风险领域（如招聘排序）。这不是法律意见，仅供参考。以官方/挂牌页当日数据为准，价格与功能可能随更新变化。