Jev 是最近 AI 社群相當熱門的話題。它主打不生成文字、直接輸出判斷結果，不只在發布後快速獲得開發者採用，也引發了不少關於「是否會取代 LLM（Large Language Model）」甚至「是否是下一代 Transformer」的討論。因此，我整理了目前公開的資料，希望透過這篇文章和同學分享 Jev 的運作方式、適用場景，以及它真正可能帶來的影響。
現在的 AI 應用，經常使用大型語言模型處理分類、評分、路由與風險判斷。即使程式最後只需要一個 true、一個分類結果或一個分數，模型仍得先逐字生成文字，再由程式解析成 JSON（JavaScript Object Notation）或其他結構化資料。
這套做法雖然方便，卻也帶來額外的延遲、成本與格式錯誤。TypeSafe AI 推出的 Jev，正是針對這類「需要理解語言，但不需要生成語言」的工作而設計。
簡單來說，Jev 不是另一個更小、更快的 ChatGPT，而是一個直接輸出有型別答案與機率的 decision model。它比較像是 LLM／Agent 技術堆疊中的新元件，而不是 LLM 的取代者。
1. Jev 的起源
Jev 是 TypeSafe AI 在 2026 年 9 月 15 日推出的第一個公開模型。TypeSafe 把這類模型命名為 System One Model。公司創辦人 Diogo Almeida 過去在 OpenAI 參與過 InstructGPT、RLHF（Reinforcement Learning from Human Feedback）與後來 ChatGPT 所使用的相關方法研究；他表示自己這幾年一直在思考一個問題：模型已經很會「跟人類講話」，為什麼真正進入軟體自動化的程度仍然有限。(TypeSafe AI)
TypeSafe 經過約兩年的 stealth development 後，選擇往跟聊天模型不同的方向走：
不再把「產生一串人類喜歡的文字」當作模型的主要輸出，而是讓模型直接產生程式可以消費的 decision
「System One」這個名字來自 Daniel Kahneman《快思慢想》裡的 System 1，也就是快速、直覺式判斷。至於 Jev，則來自經濟學家 William Stanley Jevons。TypeSafe 特別提到 Jevons paradox：蒸汽機效率提高之後，煤炭反而被使用得更多；他們認為 AI intelligence 的單位成本如果大幅下降，也可能帶來更多原本不值得使用 AI 的應用。(TypeSafe AI)
這個名稱暗示了 TypeSafe 對 Jev 的期待：
不是讓一次 AI 呼叫變得更厲害，而是讓 AI 便宜到可以到處呼叫
重點不只是提高單次呼叫的能力，而是降低每次判斷的成本，讓更多應用可以頻繁使用 AI。
2. Jev 為什麼受到關注
Jev 受到關注的第一個原因，是創辦人的背景與官方公布的效能數據。
TypeSafe 官方公開的 workflow benchmark 宣稱，在適合 Jev 的 System One 工作上，最高可以達到：
- 約 193.6 倍速度
- 約 444.6 倍成本效率
- latency 約 70–500 ms
- input US$0.042 / 1M tokens
- output 不另外計費
不過這些主要仍是 TypeSafe 自己的 benchmark，而且官方自己也承認 workflow 是他們團隊製作、speedup 屬於較漂亮的一側，因此目前不能直接解讀成「比 Frontier LLM 強 200 倍」(TypeSafe AI)
第二個原因，是開發者已經開始實際使用它。
Vercel 在 Jev 上架 AI Gateway 後公布，上線後 24 小時內，接近 13% 的付費團隊已經使用過 Jev，成為 Vercel AI Gateway 歷來 adoption 最快的新模型；Vercel、OpenRouter 都在發布後幾天內迅速接入。TechCrunch 也報導，TypeSafe 的 API（Application Programming Interface）一度因為流量太大而撐不住。(Vercel)
因此，Jev 的熱度不只來自新穎的技術概念，也來自發布後迅速出現的實際採用。工程師已經開始嘗試把它放進 Agent、router、guardrail 與 classifier 等工作流程，這比單純的模型宣傳更值得關注。
3. Jev 如何運作
要理解 Jev，首先需要更精確地釐清它的輸入與輸出形式。
Jev 的介面基本上是：
state
+
questions
↓
Jev
↓
typed decisions + probabilities
使用者先提供一份狀態，例如：
Customer:
"I was charged twice. Fix this immediately or I'm cancelling my account."
接著不是要求它回答一段 JSON，而是直接定義需要判斷的問題：
問題類型：Choice
category:
- billing
- technical
- sales
問題類型：Score
urgency:
- low
- medium
- high
問題類型：Noul
should_escalate?
Jev 會直接輸出類似以下的結果：
category = billing
P = 0.98
urgency = high
confidence = 0.91
should_escalate = 0.94
這組結果表示，Jev 判斷這是一筆帳務問題，並將緊急程度評為 high；同時，它認為這張 ticket 應該升級處理的機率是 94%。應用程式可以根據這些結果，把 ticket 自動路由到帳務團隊，並在 should_escalate 超過預先設定的門檻時轉交人工優先處理。至於是否真的升級，仍由系統設定的規則與門檻決定，而不是 Jev 自行執行後續動作。
Jev 現在主要提供三種 primitive：
| 類型 | 用途 |
|---|---|
Choice |
從預先定義的候選項目中選擇 |
Score |
依照預先定義的 scale 評分 |
Noul |
判斷某件事為 True 的機率 |
而且同一份 state 的多個問題可以平行評估，不用像 autoregressive LLM 一樣：
token1 → token2 → token3 → token4 → ...
逐字產生完整回答。(TypeSafe AI)
4. Jev 並沒有拋棄 Transformer
TechCrunch 採訪裡直接把 Jev 描述為：
transformer-based model
所以現在沒有證據支持：
Jev 是 Transformer 之後的下一個架構革命
比較準確的說法是：
Transformer
│
├── LLM
│ └── autoregressive text generation
│
└── Jev
└── probabilistic typed decisions
TypeSafe 說自己做了新的：
- model architecture
- parallel sampler
- training method
但 Jev 的完整 architecture、parameter count、詳細技術論文，目前都沒有公開。(TypeSafe AI)
因此，把 Jev 描述為下一代 Transformer 並不準確：
Jev 是下一個 Transformer
更準確的說法是：
Jev 真正挑戰的不是 Transformer，而是「所有 AI 任務都應該做成文字生成」這個假設
它改變的是模型處理任務與輸出結果的方式，而不是完全捨棄 Transformer。
5. RLCD：讓信心分數具有統計意義
除了輸出方式不同，TypeSafe 還提出一套名為：
RLCD（Reinforcement Learning for Calibrated Decisions）
的訓練方式，簡稱 RLCD。
目前 LLM 常見的概念是：
RLHF
→ 哪個回答人類比較喜歡
RLVR（Reinforcement Learning with Verifiable Rewards）
→ 哪個答案可以被驗證為正確
RLCD
→ 模型給出的 probability 是否反映它真正的正確率
例如一個真正 calibrated 的模型：
所有模型回答「90% 有把握」的題目
→ 長期統計應該真的大約 90% 是對的
這件事對 automation 很重要。
因為一般 LLM 很容易：
Confidence: 98%
但這個 98% 未必真的代表任何統計意義。
Jev 的設計則希望程式可以直接根據機率採取行動：
if ($result->probability > 0.95) {
autoApprove();
} else {
sendToHuman();
}
這也是 Jev 跟一般「叫 GPT（Generative Pre-trained Transformer）回 JSON」最大的概念差異之一。(TypeSafe AI)
6. 「不會 hallucinate」的真正意思
官方使用了這樣的說法：
Zero hallucinations
但這裡的 hallucination 有明確的範圍。
Jev 真正保證的是：
它不會 hallucinate 出 schema 之外的 output
例如：
Choice:
A
B
C
它不會突然回答：
D
也不會：
{"answer":
JSON 寫到一半壞掉。
因為這種 output 根本不是它可以產生的東西。
但是：
A = 正確答案
B = 錯誤答案
Jev 完全有可能選 B。
Vercel 自己也特別提醒：
typed answer 並不代表 decision 是正確的
所以更精確的描述應該是：
Jev 可以消除 output-format hallucination，但不能消除 semantic error
因此，討論 Jev 時必須保留「格式正確」與「語意正確」之間的區別。(Vercel)
7. Jev 對 Agent 架構的影響
真正值得關注的是 Jev 可能如何改變 AI 系統的分工方式。
過去 Agent 常常長這樣：
┌─ classify
├─ routing
├─ safety check
LLM ─────────────├─ priority
├─ scoring
├─ tool selection
└─ final response
也就是什麼東西都找 LLM。
Jev 出現後，比較合理的架構可能變成：
┌─ Jev → classify
├─ Jev → risk score
├─ Jev → tool routing
User → LLM Planner ─┼─ Jev → output verify
├─ Code → deterministic rules
│
└─ LLM → 真正需要生成文字 / 推理
這其實跟現在 Agent 發展方向非常合。
以 Codex、Claude Code 這類 agent 為例：
現在的做法
LLM
↓
我要 search？
↓
LLM
↓
我要 read file？
↓
LLM
↓
我要 run test？
理論上未來可以變成：
LLM
↓
制定 plan
Jev
↓
tool routing / retry / continue / stop
Jev
↓
risk evaluation
Code
↓
執行
LLM
↓
真的需要理解、修改、解釋時才進場
Vercel 現在列出的 Jev use case 就直接包含：
- 選下一個 tool / subagent
- 決定 continue / retry / ask user / stop
- risk / urgency scoring
- guardrail
- 驗證 LLM output (Vercel)
這應該才是它真正可能影響 Agent architecture 的地方。
8. Jev 不會取代 LLM
可以用以下方式區分三者適合處理的問題：
確定規則
│
├─ if / SQL（Structured Query Language）/ traditional code
│
模糊但答案範圍已知
│
├─ Jev / decision model
│
需要理解、規劃、推理、生成
│
└─ LLM
例如：
年齡 >= 18
根本不用 AI。
這張 ticket 是 billing / bug / feature request？
很適合 Jev。
分析這個 bug，找出 root cause 並修改 Laravel code
還是 LLM。
因此，與其把兩者視為競爭關係：
Jev vs LLM
更合適的理解是：
Jev 把我們現在錯用 LLM 做的一部分工作拿走
Jev 更可能接手目前由 LLM 處理、但其實只需要結構化判斷的工作。這可能成為 AI 系統架構的一項重要變化。
9. Jev 的使用方式
截至 2026 年 9 月 20 日，Jev 至少可以透過三種管道使用。
目前 Jev 僅提供雲端 API 形式的存取；即使透過官方 SDK、Vercel AI Gateway 或 OpenRouter 使用，底層仍是遠端 API 呼叫，目前尚未公開模型權重或提供本機部署方式。
TypeSafe 官方 API
官方提供 managed API，目前模型是 jev-1.13.0，也有 jev-latest 等 alias。官方已有 console，並提供 Python / TypeScript SDK（Software Development Kit）。TypeSafe 原本以 early access / waitlist 開放。(System One Models)
Vercel AI Gateway
這目前可能是前端 / TypeScript 開發者最簡單的方式：
const result = await evaluate({
model: 'typesafe-ai/jev',
state,
questions
})
Vercel AI SDK 7 已經加入 experimental evaluate API，專門對應這類 evaluation model。(Vercel)
OpenRouter
對原本就在使用 OpenRouter 的開發者而言，這會是相對方便的接入方式。
目前已有：
typesafe/jev-1.13
以及 latest alias：
~typesafe/jev-latest
價格目前是：
Input $0.042 / 1M tokens
Output $0
OpenRouter 顯示 32K context。(OpenRouter)
結語：不是每個 AI 任務都需要生成文字
Jev 最值得注意的地方，不只是減少逐 token 生成所需的時間與成本，而是重新拆開了長期被綁在一起的兩件事：理解語言與生成語言。
過去幾年我們把「理解語言」跟「生成語言」綁在一起了，Jev 問的是：如果程式只需要一個 decision，為什麼一定要先生成 language？
兩種處理流程的差異可以簡化為：
ChatGPT / LLM
unstructured input
↓
reason
↓
generate strings
↓
parse JSON
↓
decision
Jev
unstructured input
↓
decision
如果輸入是自然語言，但輸出只需要分類、評分、布林值或路由決策，Jev 這類 decision model 可能比通用 LLM 更適合；如果任務需要規劃、推理、程式修改或自然語言生成，LLM 仍然不可或缺。
因此，Jev 真正挑戰的不是 Transformer，也不是 LLM 本身，而是「所有 AI 任務都應該透過文字生成完成」這個假設。未來的 AI 系統可能不再依賴單一模型包辦所有工作，而是由程式碼處理確定規則、decision model 處理答案範圍已知的模糊判斷，再把真正需要推理與生成的任務交給 LLM。
