Jev全面开放：不写文字的判断模型，40秒做完8724次判断

A5站长网9月22日消息，TypeSafe AI宣布旗下模型Jev向所有用户开放，取消候补名单，注册用户获得5美元初始额度。这个模型的特别之处是它不生成文字：给它一段材料与一组预先定义好的问题，它返回选项、分数或0到1之间的概率，并附带置信度。它由ChatGPT联合创始人之一Diogo Almeida主导开发，定位是System One决策模型，对应快思考的那类判断，而不是长文本推理。

输出有三种基本形态。Noul做是非判断，返回事件为真的概率；Choice从开发者给出的列表里选一项，最多支持255个选项，适合分类与路由；Score按设定尺度打分，用于衡量紧迫程度、质量或风险。同一份输入可以同时问多个问题，这些问题并行评估、互不干扰，程序拿到结果即可继续走流程，不需要解析一段自由文本。

速度快来自采样方式。大语言模型逐个Token生成，每个都依赖前一个；Jev采用并行采样，一次查询同时产出全部输出。官方给出的端到端延迟区间是70到500毫秒，输入价格每百万Token0.042美元，输出不计费。官方还强调自身不会出现结构性的输出错误，这句话需要限定：由于输出结构与类型预先定义，模型不会跳出选项范围作答、不会捏造字段，但这不等于它不会选错，官方在自己的说明里也承认仍然可能出错。

训练方法上，团队提出RLCD，即面向校准决策的强化学习。目标很具体：如果模型判断某件事有80%的概率，那么在它给出80%的那批事情里，最终应真的有大约80%发生。置信度因此可以进入程序的分流逻辑——把握大的直接执行，处在中间区间的交给更强的模型复核，剩下的转人工。

开发者已经在几个方向用起来。广告分析场景中，有实验用它在40秒内完成37个品牌724条实时广告的分类，共产生8724次判断，Token成本约9美分。上下文压缩场景中，它被用来给工具调用与终端输出打分，判断哪些内容对当前任务仍然相关，从而删除过时部分而不改写保留内容，文件路径、报错信息这类细节因此不会被总结掉。

需要看清它的边界。Jev只接受文本输入，做的是单个决策点而不是完整的智能体循环——它回答该点哪个元素，但点错了之后的重试、回滚与升级仍要由外层代码负责。它更适合判断高频发生、候选范围有限、错了能纠正的环节，与擅长生成和推理的大模型形成分工，而不是替代。