TypeSafe Jev Decision Model 发布

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

• RooHome 四模块对照 | AI 价格雷达
• 独立垂直站 Cursor 生态栈
• Grok 模型切换指南
• 官方 API 集成示例
• 非官方账号切换工具文档

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。