ChatGPT 研究员 Diogo Almeida 几天前带来了他的新模型： Jev 。它不聊天，只负责选判断，比传统大模型快 20～200 倍，成本降低 40～400 倍。
他还说：据我所知，这是通往基于 AI 的经济革命的最短路径。
青小蛙被 Jev 刷屏之后，终于得到了访问权限：
1. 访问官网 https://typesafe.ai/ 这个等待很快，几个小时就好了。
这个时间，先看看：
目录
• 传统大模型生成答案时，是一个 Token 接一个 Token 往后写 • 例子2： 请使用 Jev 分析下面这条用户反馈，并一次完成 3 个判断 • 例子3： 请使用 Jev 判断下一步最应该调用哪个工具 • 例子4:： 请使用 Jev 判断这个任务应该交给哪个模型
Jev 到底是什么？ Jev 也是一个 AI 大模型。
官方把它定义为一种专门 用于判断 的模型。传统大模型擅长生成文字，Jev 则把能力集中在选择、评分、判断，以及输出概率和置信度上。
与传统模型有什么区别？ 假设你想找一款适合自己的截图工具 ，提示词是这样的：
如果在传统大模型中提问，你会得到一个很长很长的答案：
而如果是 Jev，回复会直接很多：
对比很鲜明， Jev 不跟你啰嗦，不说任何废话， 它只关心判断结果。
比如：在这些条件下，应该选哪个？
Jev 会什么？ Jev 放弃了传统大模型擅长的长文本生成，直接输出分类、评分、概率和置信度。
所以面对同一个问题：
这也是它速度更快、Token 成本更低的原因之一。
Jev 主要有三种判断方式：
Choice：选哪个 从多个候选项中，判断哪一个最合适。
比如：该交给哪个部门、该调用哪个模型、下一步执行哪个动作、屏幕上哪个按钮是提交。
Score：打 多少分 判断某件事的程度，而不是简单地分成“是”或“否”。
比如：用户有多生气、内容风险有多高、某个候选有多符合要求。
Noul：是不是 判断某件事是否成立，并返回一个概率。
比如：是不是广告、是否要求退款、是否存在安全风险。
为什么又快、又便宜？ 简单的说，就是简单。
当前 Jev 的官方定价：
• 输入：$0.042/百万（0.28元/人民币/百万） 传统大模型生成答案时，是一个 Token 接一个 Token 往后写 这 → 款 → 软件 → 更 → 适 → 合 → 你…… 回答越长，需要生成的 Token 越多，等待时间和费用也会跟着增加。
Jev 则直接把任务压缩成“判断结果” 比如：
Snipaste：72% ShareX：19% Flameshot：7% PicPick：2%
结果出来，任务就结束。
它不需要继续生成“为什么推荐 Snipaste”“各自有什么优缺点”这类长篇解释。
所以 Jev 的优势并不只是“回答更短”，而是 从模型设计上就放弃了传统的大段文字生成，把计算集中在判断本身 。
这也是 TypeSafe 为什么敢把它定位成一种完全不同的模型：在适合 Jev 的任务里，官方称速度可快 20～200 倍，成本降低 40～400 倍。
概率和置信度有什么用？ Jev 不只是告诉你“选哪个”，还会告诉你： 它有多确定。
这和只返回一个“Snipaste”差别很大。
因为现实中的很多判断，本来就没有绝对答案。
你可以根据概率继续制定规则：
> 90%：自动执行
60%～90%：继续确认
< 60%：交给人工
Jev 还会给出置信度 Confidence，可以理解为它对这次判断本身有多有把握。比如上面那个问题的置信度是0.99，这让它特别适合自动化流程：
确定的事情自动做，不确定的事情交给人。
Jev 入门教程 现在，你的 Jev 申请应该通过了：
注册 需要通过邮件中的邀请链接，才可以注册：
注册成功之后，就可以使用了。
安装 Jev 是由 typesafe 发布的，它们也提供模型使用，注册送5刀。
登录成功之后，分两步：
只需要将首页右侧的 Quickstart 内容，直接复制给你的 Agnet，比如 Codex、Claude Code、Pi、Hermes、OpenClaw，或者 Trae、Qwen Code、Kimi CLI、WorkBuddy 等等，就行了：
另外，创建 API KEY 就是常规流程：进入这个页面，点击 Create key，输入一个名字，复制 key 就行了。依旧注意：key 只会出现一次。
第一次使用 使用就非常简单了，直接和AI说就行，但需要注意，Jev 做决策的先决条件是：你得先给它“可判断的范围”。
Jev 擅长的是：在已有信息和候选里，帮你做判断，它不适合凭空替你想出所有可能答案。
例子1：选标题 我准备发布一篇介绍 Jev 的文章，请判断下面哪个标题最适合普通科技读者：
A. Jev 入门：ChatGPT 研究员发布“不会聊天”的 AI，速度快 200 倍、成本低 400 倍 B. Jev：System One Model 与 RLCD 技术解析 C. 不会聊天的 AI，为什么反而更快？ D. 一个全新的 AI 决策模型 Jev
判断标准：
使用 Choice 选择一个。
例子2：请使用 Jev 分析下面这条用户反馈，并一次完成 3 个判断 用户反馈： “更新之后同步功能彻底不能用了，我已经重装两次。这个软件我买了永久版，如果今天还解决不了，我准备申请退款。”
请完成：
1. Choice：判断这条反馈主要属于哪一类 候选： 只返回 Jev 的判断结果、概率和置信度，不要额外解释。
例子3: 请使用 Jev 判断下一步最应该调用哪个工具 用户请求：“帮我看看明天上午有没有去上海的机票，如果有合适的，再看看我的日历上午有没有会议。”
当前可用工具：
请使用 Choice 判断：下一步最应该调用哪个工具？
只返回 Jev 的判断结果、各候选概率和置信度，不要额外解释。
例子4: 请使用 Jev 判断这个任务应该交给哪个模型 用户请求： “帮我比较这两份各 80 页的公司财报，找出现金流、债务结构和盈利质量的变化，并解释可能的原因。”
可选模型：
请使用 Choice 判断： 这个任务最适合交给哪个模型？
只返回 Jev 的判断结果、各候选概率和置信度，不要额外解释。
社区的其他例子
• Agent 工具选择：根据当前任务，在一堆工具里判断下一步该调用哪个 • AI 模型路由：简单任务走便宜模型，复杂任务交给 frontier model • 客服工单分流：判断该交给哪个部门，同时给紧急程度打分 • 内容审核：判断是否违规、风险等级多高、是否需要人工介入 • Agent 安全监控：在 Agent 每次执行动作前判断“这个动作安全吗” • 智能家居控制：根据自然语言和当前家庭状态，判断控制哪个设备、执行什么动作 • 多 Agent 路由：根据输入内容，判断该交给哪个 Agent • 创业点子评分：一次并行跑多个判断，对项目做评分、分类，再决定 kill / fix / ship • 邮件 / 钓鱼检测：同时判断多个风险信号，再决定是否可疑 • 商品 / 内容分类：从几十甚至几百个分类中选最合适的一个 • Minecraft / Doom / Pac-Man / Tetris：每一步都让 Jev 判断下一步动作 • 无人机自动驾驶：根据环境持续判断下一步飞行方向和避障动作 • 强行让 Jev 聊天：每次提供一组候选词，让它判断下一个词选哪个 • 长上下文预筛选：先判断有没有值得关注的问题，命中后再调用昂贵大模型 • Mac 应用内置快速判断：让 Jev 负责设置、故障排查等简单决策 • 多问题并行判断：同一个输入一次判断风险、相关性、严重程度等多个维度 • 搜索 / 推荐结果重排：判断多个候选结果的相关度，再重新排序 • 自动化 Gate：在退款、发邮件、删文件、转账等操作前，先判断是否应该放行 原文：https://www.appinn.com/jev-getting-started/
就，写这么多吧，有问题欢迎反馈，对了，Jev 十分便宜，测试了一下午，我消耗了 $0.0008 的额度。
