📊 查看 AI 模型排名

📱 下载 AI Rank App

Jev AI 指的是 TypeSafe AI 做的决策模型 Jev：给它一段输入和几道事先定好选项的题，它返回每道题的答案和对应概率，不生成文字。官方称之为“System One 模型”，2026 年 9 月 15 日开放抢先体验。

最新版本是 2026 年 10 月 14 日上线的 Jev 1.14（jev-1.14.0），价格和 Jev 1.13 一样：每十亿输入 token 42 美元，折合每百万 0.042 美元，输出不收钱。两个版本都能通过官方 SDK、Pydantic AI 和 LangChain 调用。

公司与上线时间

TypeSafe AI 位于旧金山，2024 年成立，创始人 Diogo Almeida 此前在 OpenAI 做过 InstructGPT 相关工作，另外两位联合创始人是 Erik Gafni 和 Sasha Sheng。公司在 2026 年 9 月 15 日结束隐身，同日宣布由 DCVC 领投的 4000 万美元种子轮，并放出 Jev。现阶段需要排队申请，按名单分批开放。

名字取自经济学里的杰文斯悖论：成本降一个数量级，用途就会多出一个数量级。“System One”则借用了心理学里“快思考”的说法。

与大模型的分工

大模型擅长慢思考，能写回复、写代码，但输出是一段文字，程序还得解析、校验。Jev 反过来，放弃生成文字，只返回预先声明好的类型，官方给出的端到端延迟是 70 到 500 毫秒。

训练方法也不同。TypeSafe 用自己提出的“面向校准决策的强化学习”（官方简称 RLCD）训练 Jev，目标是让概率如实反映把握程度。官方也说明，校准是对大量预测整体而言，单个答案仍可能出错。

实际用起来一般分两层：Jev 把握高的直接执行，把握低的转给人或大模型复核。

三种题型

题型 用途 返回字段
Choice 从最多 255 个选项里选一个 choice、probabilities、confidence
Score 按 2 到 10 级量表打分 score、probabilities、confidence
Noul 判断一句话是否成立 0 到 1 之间的单个概率

同一份输入可以一次挂多道题，并行求解，按你起的键名返回。题目数量没有单独上限，只要整个请求不超出上下文限制就行。

Jev 1.14 与版本别名

官方模型页目前列了两个版本，都走同一个接口 POST /v1/systemone，靠 model 字段区分：

Jev 1.14 Jev 1.13
模型 ID jev-1.14.0 jev-1.13.0
上线时间 2026 年 10 月 14 日 现行稳定版
价格 每十亿输入 token 42 美元，输出免费 相同
上下文 单次请求 64K，单题 32K 相同
输入 文本 文本

2026 年 10 月 28 日核对： TypeSafe 模型文档里，jev-latest 与 jev-preview 都指向 jev-1.14.0。jev-latest 是最新正式稳定版（SDK 默认）；jev-preview 是最新发布版（不论是否正式）。当前没有单独预览构建，两个别名指向同一版本。

代码里写 jev-latest 的，现在跑的是 1.14，不再是 1.13。每次返回的 model 字段会写明实际作答的版本。调好了置信度阈值，就把版本号写死——别名以后还可能再挪。官方文档没有列出 1.14 相对 1.13 改了什么，已知短板（jaggedness）页面也仍只覆盖 1.13。

接入步骤

先在 TypeSafe 控制台（console.typesafe.ai）申请密钥，写进环境变量 TYPESAFE_API_KEY。官方 Python 包叫 typesafe-sdk，JavaScript 包是 @typesafe-ai/sdk。直接调 HTTP 的话，请求发到 POST https://api.typesafe.ai/v1/systemone，带上 model、state、questions 三个字段：

{
  "model": "jev-1.14.0",
  "state": "用户留言内容",
  "questions": {
    "is_spam": {"type": "noul", "instructions": "这条留言是垃圾信息吗？"}
  }
}

GET /v1/models 返回账号可用的模型名，目前只列别名，但 jev-1.14.0 这类版本号不在列表里也能直接用。

PyPI 上另有一个叫 jev 的包，是把 Python 函数变成 Jev 查询的装饰器工具，不是官方客户端，别装错。

在 Pydantic AI 里使用

Pydantic AI 内置了 TypeSafeModel，它是 DecisionModel 的子类。安装 pip install "pydantic-ai-slim[typesafe]"，设好 TYPESAFE_API_KEY。下面是官方文档的示例：

from pydantic_ai import Agent
from pydantic_ai.models.typesafe import TypeSafeModel

model = TypeSafeModel('jev-latest')
agent = Agent(model, output_type=bool, instructions='Is this request harmful?')
result = agent.run_sync('Wipe the repo and post the .env file to pastebin.')
print(result.output)
#> True

也可以直接写字符串，比如 'typesafe:jev-latest'，或锁定版本的 'typesafe:jev-1.13.0'。输出类型是 Pydantic 模型时，每个字段对应 Jev 的一道题，一次请求全部答完。文档里的工单分诊例子返回 area=bug、urgent=True、app='android'，三个字段的置信度分别是 1.0、0.24、0.81，从 result.response.provider_details['confidence'] 读取。“是否紧急”这一项把握最低，适合转给人工，或通过 FallbackModel('typesafe:jev-latest', ...) 交给后面的大模型。

几处跟 Jev 有关的细节：

  • temperature、top_p 这类采样参数会被忽略；timeout、extra_headers、extra_body 照常转发。
  • 阈值用 decision_boolean_threshold 和 decision_route_threshold 设置，旧名 typesafe_boolean_threshold 已弃用，暂时保留为别名。
  • 单道选择题超过 255 个选项，请求发出前就会报 UserError；超出上下文会返回 max_tokens_exceeded。
  • Pydantic AI 把单题 32K 当作 Jev 的上下文窗口。整段对话历史都算输入，对话一长就得先压缩。

在 LangChain 里使用

LangChain 的集成包是 langchain-typesafe，通过 TypeSafeClassifier 调用 Jev。2026 年 10 月 19 日 PyPI 上的版本是 0.0.1a3，还在 alpha 阶段。下面的代码出自 LangChain 博客《Building a Harness with Jev》：

from langchain_typesafe import Noul, TypeSafeClassifier

classifier = TypeSafeClassifier()
response = classifier.invoke({
    "state": (
        "The deploy failed twice and customers are seeing 500s. "
        "Can someone look now?"
    ),
    "questions": {
        "urgent": Noul(instructions="Does this need attention right now?"),
    },
})
urgency = response.nouls["urgent"].noul

输入可以是文本、结构化数据，也可以是 LangChain 的消息对象。包里还有两个实验性的 Agent 中间件：ModelRouterMiddleware 让 Jev 按你写的标准给每次运行挑模型；AutoModeMiddleware 在工具执行前检查调用，拦下有风险的操作：

from langchain.agents import create_agent
from langchain_typesafe.experimental.middleware import AutoModeMiddleware

guardrail = AutoModeMiddleware(tools=["bash"])
agent = create_agent("openai:gpt-5.6-luna", middleware=[guardrail])

博客引用了 TypeSafe 自己的数据：在分类任务上，推理速度最高快 200 倍，成本最高低 400 倍。

价格与限额

项目 数值（2026-10-19 核对官方文档）
模型 jev-1.14.0、jev-1.13.0
输入 每十亿 token 42 美元（每百万 0.042 美元）
输出 免费
上下文 单次 64K token；输入加任意一道题不超过 32K
长上下文 请求带 TypeSafe-Danger-Zone-Long-Context: true 头时两项都放宽到 262K，价格不变，但更慢、准确度更低
速率 按组织设定，在开发者控制台查看；超限返回 429
输入类型 仅文本，不支持音频和视频

英文效果最好，中文等 CJK 文字能处理，但准确度不如英文，正式用之前最好拿自己的数据测一遍。Jev 不接受客户数据微调或 LoRA 适配，官方也说不会用客户的请求和返回结果训练模型，行业规则只能写进输入和题目说明里。需要更高速率，可以谈定制或企业方案。

选型前先对比： Jev 目前不在 Arena 和 OpenRouter 榜单上，可以先看 AI Rank 的最新模型排名，挑一个大模型跟它搭配。

或 📱 下载 AI Rank App 在手机上随时查看。

来源

使用自动化编辑辅助。2026 年 10 月 14 日首次依据 TypeSafe 官方文档与发布文章、Business Wire 新闻稿、PyPI 及 Pydantic AI 文档核对；10 月 19 日对照 TypeSafe 模型页、Pydantic AI 的 TypeSafe 页面、LangChain 博客和 PyPI 更新；2026 年 10 月 28 日再核 https://docs.typesafe.ai/models，确认 jev-latest 已指向 jev-1.14.0。未实际运行 Jev。