提供上下文
传入相关文本、JSON 数据或文本列表。Jev 目前不接收图片、音频和视频。
开发者社区 · 独立指南
Jev AI Model
从理解到实践。
Jev 是 TypeSafe 推出的首个 System One 模型，可根据输入返回预先定义类型的判断结果和概率。了解适用场景，以及如何通过 API 接入。
按任务选择
它和生成式模型有何不同？
TypeSafe 把 Jev 归为 System One 模型：它返回预设类型的选项与概率，而不是生成开放式文本。对照生成式模型和规则代码，看看各自适合什么任务。
| 比较维度 | Jev | 生成式 LLM | 规则代码 |
|---|---|---|---|
| 输出 | 事先定义好的选项、评分和概率 | 灵活的文本、代码或结构化输出 | 由明确条件产生的确定性结果 |
| 速度 | 针对低延迟决策优化；TypeSafe 在其测试中报告 70–500 毫秒 | 取决于模型、提示词与输出长度 | 对已知条件通常非常快 |
| 适用任务 | 软件中反复出现的语义判断 | 写作、复杂推理与开放任务 | 边界清楚且稳定的条件 |
| 主要限制 | 不能生成自由文本；类型正确的答案也可能判断错误 | 灵活输出可能需要解析与验证 | 遇到含义模糊的输入，规则难以覆盖所有情况 |
速度数据来自 TypeSafe 对特定结构化决策任务的测试，并非本站独立基准测试，也不是通用速度保证。 阅读测试方法
怎么选择
可选答案已经明确，但需要理解输入内容时，可以考虑 Jev；需要生成新内容时，选生成式模型；条件能明确写成代码时，直接用规则。
核心概念
为软件中的决策而设计。
Jev AI Model 会根据你提出的问题分析文本或结构化数据，返回代码可以直接处理的选项、评分和概率。下一步怎么做，仍由你的应用决定。
三步看懂 Jev AI Model流程示意 · 并非真实模型输出
01客户消息
“我的订阅被扣了两次费用，可以帮我处理吗？”
02问题与选项
应该交给哪个团队处理？
03结构化结果
账单团队Jev
示意概率 0.92
定义答案范围
事先定义可选答案，让模型返回选项、评分或“是”的概率。
由代码决定下一步
根据结果和置信度决定是自动分流、交给人工复核，还是执行其他操作。格式正确，也可能判断错误。
适用场景
把具体判断交给模型。
Jev 适合处理应用里反复出现、答案范围明确的判断。以下是可尝试的用法，效果仍需用自己的数据验证。
01
客户支持
给消息分类、识别紧急程度并分配给对应队列；不确定的请求交由人工处理。
决策示例这是账单问题还是技术问题？
02
推荐与排序
评估候选内容与用户情境的匹配程度，再结合你自己的排序信号与业务规则。
决策示例这个候选内容与当前请求有多相关？
03
Agent 工作流
选择下一步使用的工具或模型，检查输出，或判断任务何时需要升级处理。
决策示例这个请求需要交给专门模型吗？
04
内容安全
按具体规则评估内容，并将低置信度或高风险案例交给人工复核。
决策示例这条消息违反了这项规则吗？
开始使用
从一个具体判断开始。
先找出应用中已经存在的一项明确判断。定义可能的答案，再由代码决定如何使用结果。
01
选定一个判断
例如给工单分流，或评估某个候选内容的相关性。
02
定义选项
调用前写清楚输入内容、要问的问题和允许返回的答案。
03
处理不确定性
结合概率与置信度，决定执行、回退或人工复核。
接入示例
把 Jev 接入你的代码。
下面的服务端 TypeScript 示例通过 OpenRouter 向 Jev 1.13 发送一条客服消息和两个预先定义好答案形式的问题。API 密钥只放在服务端，结果交由应用代码处理。
服务端 TypeScripttypesafe/jev-1.13
const apiKey = process.env.OPENROUTER_API_KEY;
if (!apiKey) throw new Error("Set OPENROUTER_API_KEY");
const response = await fetch("https://openrouter.ai/api/alpha/decisions", {
method: "POST",
headers: {
Authorization: "Bearer " + apiKey,
"Content-Type": "application/json"
},
body: JSON.stringify({
model: "typesafe/jev-1.13",
state: "My card was charged twice. Please help ASAP.",
questions: {
department: {
type: "choice",
instructions: "Which team should handle this?",
criteria: {
billing: "Payments and refunds",
technical: "Bugs and integrations"
}
},
urgent: {
type: "noul",
instructions: "Does this message need urgent attention?"
}
}
})
});
if (!response.ok) throw new Error("Jev request failed: " + response.status);
const {answers} = await response.json();
if (answers.department.choice === "billing" && answers.urgent.noul > 0.8) {
// Route to the billing review queue.
}接口
POST /api/alpha/decisions输入
state + questions输出
answers读取结果
choice 给出负责的团队；noul 用 0 到 1 的数值表示“是”的倾向。再由你的代码结合业务规则完成分流。
投入生产前
上线前请用有代表性的工单测试，记录模型版本，并把结果不确定或出错代价高的情况交给人工复核。示例中的 0.8 只是演示阈值。
接口来源： OpenRouter · TypeSafe
看懂请求与返回字段
请求里定义要判断的问题，响应会按问题名称返回结果。下面解释示例中用到的 JSON 字段。
请求字段
model- 模型 ID。示例指定 Jev 1.13，避免调用版本不明确。
state- 待判断的文本或结构化数据；这里是一条客服消息。
questions- 按名称组织的多个问题；返回的 answers 会沿用这些名称。
type- 答案形式：choice 从候选项中选择，noul 返回“是/否”判断对应的数值。
instructions- 希望模型回答的具体问题或判断标准。
criteria- 对 choice 而言，是允许返回的选项及每个选项的含义。
返回字段
answers- 每个问题的结果，名称与请求中的 questions 对应。
choice- 模型选中的选项键，也是概率最高的选项。
probabilities- 各选项的概率分布，数值相加为 1。
confidence- 根据概率分布计算的置信度；它不等于所选选项的概率。
noul- 是非问题的 0 到 1 数值；越接近 1 越倾向于“是”。
结果符合字段格式，也可能判断错误。请用自己的样本验证，并按业务风险设置分流阈值。
Jev AI Model 背后的团队
让 AI 判断更容易接入软件。
TypeSafe AI 将 Jev 作为首个 System One 模型推出，目标是让快速、结构化的判断进入常规软件工作流。
创始人 Diogo Almeida 曾在 OpenAI 和 Google Brain 工作。根据 TypeSafe 的介绍，他参与的指令遵循和 RLHF 研究影响了 ChatGPT 背后的技术。
常见问题
几个常见问题。
Jev AI Model 是聊天机器人吗？
不是。Jev 返回的是按指定格式组织的判断结果和概率，不负责生成聊天回复或代码。
Jev AI 模型可以用于推荐吗？
它可以帮助评估候选内容的语义相关性或进行重排。完整推荐系统仍需候选召回、业务规则、效果评估和你自己的排序逻辑。
返回格式正确，判断就一定对吗？
不一定。格式约束不了判断本身。请用有代表性的数据测试，并在代码中处理不确定的结果。
从哪里学习使用 Jev AI Model？
可以从 TypeSafe 官方文档和 SDK 开始；OpenRouter 的模型页面也提供了通过其平台使用 Jev 的入口。