提供背景資料
傳入相關文字、JSON 資料或文字清單。Jev 目前不接受圖片、音訊或影片。
開發者社群 · 獨立指南
Jev AI Model
從認識到實作。
Jev 是 TypeSafe 推出的首個 System One 模型，能依輸入回傳預先定義型別的判斷結果與機率。了解適用情境，以及如何透過 API 串接。
依任務選擇
它和生成式模型有什麼不同？
TypeSafe 將 Jev 歸為 System One 模型：它回傳預設型別的選項與機率，而不是生成開放式文字。對照生成式模型與規則程式碼，看看各自適合哪些任務。
| 比較面向 | Jev | 生成式 LLM | 規則程式碼 |
|---|---|---|---|
| 輸出 | 事先定義好的選項、分數和機率 | 靈活的文字、程式碼或結構化輸出 | 由明確條件產生的確定性結果 |
| 速度 | 針對低延遲決策最佳化；TypeSafe 在其測試中報告 70–500 毫秒 | 取決於模型、提示詞與輸出長度 | 對已知條件通常非常快 |
| 適用任務 | 軟體中反覆出現的語義判斷 | 寫作、複雜推理與開放式任務 | 邊界清楚且穩定的條件 |
| 主要限制 | 無法生成自由文字；型別正確的答案也可能判斷錯誤 | 靈活輸出可能需要解析與驗證 | 遇到語意模糊的輸入，規則難以涵蓋所有情況 |
速度數據來自 TypeSafe 對特定結構化決策任務的測試，並非本站獨立基準測試，也不是通用速度保證。 閱讀測試方法
如何選擇
可選答案已經明確，但仍需要理解輸入內容時，可以考慮 Jev；需要生成新內容時，選生成式模型；條件能清楚寫成程式碼時，直接使用規則。
核心概念
為軟體中的決策而設計。
Jev AI Model 會依照你提出的問題分析文字或結構化資料，回傳程式碼能直接處理的選項、分數和機率。下一步怎麼做，仍由你的應用程式決定。
三步看懂 Jev AI Model流程示意 · 並非實際模型輸出
01客戶訊息
“我的訂閱被扣了兩次費用，可以幫我處理嗎？”
02問題與選項
應該交給哪個團隊處理？
03結構化結果
帳務Jev
示意機率 0.92
定義答案範圍
事先定義可選答案，讓模型回傳選項、分數或「是」的機率。
由程式碼決定下一步
根據結果與信心分數決定要自動分流、交由人工審核，或執行其他動作。格式正確，判斷也可能出錯。
適用情境
讓模型處理具體判斷。
Jev 適合處理應用程式中反覆出現、答案範圍明確的判斷。以下是可以嘗試的用法，效果仍需用自己的資料驗證。
01
客戶支援
將訊息分類、辨識緊急程度並分配給合適的團隊；不確定的案件則交由人工處理。
應用範例這是帳務問題還是技術問題？
02
推薦與排序
評估候選項目與使用者需求的相關程度，再結合自己的排序訊號和業務規則。
應用範例這個候選內容與目前請求有多相關？
03
Agent 工作流程
選擇下一步使用的工具或模型、檢查輸出，或判斷任務何時需要升級處理。
應用範例這個請求需要交給專門模型嗎？
04
內容安全
依照具體規則評估內容，將信心分數較低或風險較高的案件交由人工審核。
應用範例這則訊息違反了這項規則嗎？
開始使用
從一個具體判斷開始。
先找出應用中已存在的一項明確判斷。定義可能的答案，再由程式碼決定如何使用結果。
01
選定一個判斷
例如將客服案件分流，或評估候選內容的相關性。
02
定義選項
呼叫前先寫清楚輸入內容、要問的問題，以及允許回傳的答案。
03
處理不確定性
結合機率與信心分數，決定執行、回退或人工覆核。
API 串接範例
把 Jev 串接到程式碼中。
下方的伺服器端 TypeScript 範例透過 OpenRouter，向 Jev 1.13 傳送一則客服訊息和兩個預先定義好答案形式的問題。API 金鑰只放在伺服器端，結果交由應用程式處理。
伺服器端 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.
}端點
POST /api/alpha/decisions輸入
state + questions輸出
answers讀取結果
choice 指出負責團隊；noul 用 0 到 1 的數值表示「是」的傾向。再由程式碼結合業務規則完成分流。
投入正式環境前
正式上線前，請用具代表性的客服案件測試、記錄模型版本，並將結果不確定或出錯代價高的情況交由人工審核。範例中的 0.8 只是示意門檻。
API 來源： OpenRouter · TypeSafe
看懂請求與回傳欄位
請求中定義要判斷的問題，回應會依問題名稱回傳結果。以下說明範例中用到的 JSON 欄位。
請求欄位
model- 模型 ID。範例指定 Jev 1.13，避免呼叫的版本不明確。
state- 待判斷的文字或結構化資料；這裡是一則客服訊息。
questions- 按名稱組織的多個問題；回傳的 answers 會沿用這些名稱。
type- 答案形式：choice 從候選項中選擇，noul 回傳「是／否」判斷對應的數值。
instructions- 希望模型回答的具體問題或判斷標準。
criteria- 對 choice 而言，是允許回傳的選項及各選項的意義。
回傳欄位
answers- 每個問題的結果，名稱與請求中的 questions 對應。
choice- 模型選中的選項鍵，也是機率最高的選項。
probabilities- 各選項的機率分布，數值加總為 1。
confidence- 根據機率分布計算的信心分數；它不等於所選選項的機率。
noul- 是非問題的 0 到 1 數值；越接近 1 越傾向於「是」。
結果符合欄位格式，判斷也可能出錯。請用自己的樣本驗證，並依業務風險設定分流門檻。
Jev AI Model 背後的團隊
讓 AI 判斷更容易用在軟體中。
TypeSafe AI 將 Jev 作為首個 System One 模型推出，目標是讓快速、結構化的判斷進入一般軟體工作流程。
創辦人 Diogo Almeida 曾在 OpenAI 與 Google Brain 工作。根據 TypeSafe 的介紹，他參與的指令遵循及 RLHF 研究影響了 ChatGPT 背後的技術。
常見問題
幾個常見問題。
Jev AI Model 是聊天機器人嗎？
不是。Jev 回傳的是依指定格式組織的判斷結果和機率，不負責生成聊天回覆或程式碼。
Jev AI 模型可以用於推薦嗎？
它可以協助評估候選內容的語義相關性或進行重排。完整推薦系統仍需候選召回、業務規則、效果評估與自己的排序邏輯。
回傳格式正確，判斷就一定對嗎？
不一定。格式限制不了判斷本身。請用具代表性的資料測試，並在程式碼中處理不確定的結果。
從哪裡學習使用 Jev AI Model？
可以從 TypeSafe 官方文件與 SDK 開始；OpenRouter 的模型頁面也提供透過其平台使用 Jev 的入口。