TypeSafe AI发布Jev：只输出浮点数、只对输入收费的决策模型
Jev接受文本或半结构化输入，返回概率、选项分布和评分，输出不收费，输入价格 0.042 美元/百万token，低于GPT-5 Nano的 0.05 美元。
AI解读：Jev把大模型的输出从一段文字压缩成一个数字或一组概率。TypeSafe AI把它叫作“System One模型”，也有人（包括Simon Willison引述的Maggie Appleton）更愿意叫“决策模型”，因为它不生成文本，只做判断。
它的直接好处是把分类、打标签、排序这类任务变成一次API调用：输入一篇文章或一条客户记录，同时问很多问题，一次拿回每个问题的置信度。问题并行评估，问十个和问一个的耗时差不多。
成本结构也变了。普通LLM按输入和输出token分别计价，输出通常更贵；Jev只收输入费，输出免费，首个模型输入价 0.042 美元/百万token。这让跑几百上千次实验只需几分钱，但代价是结果不可解释。
这种不可解释性是Willison明确点出的顾虑。输入全是文本，回来的只有一个浮点数，无法说明是哪些内容触发了判断，因此偏见可能被数字掩盖。他举了自己用Jev给旧金山湾区城市是否“好城市”打分的例子，结果库比蒂诺最高、东帕洛阿尔托最低。
社区已经在试各种用法：用Jev逐字符生成回复做成聊天模型、用选项查询实现left-pad、让它玩 2048，还有人基于Qwen 3.5做了 0.8B、4B、9B的开源复刻，并出现了对比这类模型的JevBench基准。
2026 年 9 月 21 日，Simon Willison报道称，TypeSafe AI上周发布了Jev，这是他们所称“System One模型”这一新类别模型的第一个实例。Willison表示自己与Maggie Appleton观点一致，认为“决策模型”（decision models）是更合适的名字。
Jev保留了文本输入，但不返回文本：输出是与类别、是/否问题、评分对应的浮点数以及相关置信度。TypeSafe对Jev的描述是：“把Jev看作一次前沿智能函数调用：输入非结构化状态，输出带类型的概率性决策。”它同时速度很快、价格很便宜。
定价上，普通LLM按输入和输出token计费，输出通常高得多；Jev只对输入收费，输出免费，其首个模型的输入价格为每百万token 0.042美元，比OpenAI的GPT-5 Nano（每百万 0.05 美元）还低。
使用方式是：构造一个 “state” 对象，内容可以是一个字符串、字符串数组或一组名称-值对，用来描述一篇文章、一个客户或任何记录；把state和一个或多个问题发给API，每个问题返回一个结果。
Jev支持三类问题：一是Yes/No问题，Jev称之为 “Noul” 问题，其CEO在Hacker News上确认这是Bernoulli（伯努利分布）的缩写，给出一个 0 到 1 之间的浮点数表示模型认为该陈述为真的置信度；二是选择题，从给定选项中选一个，实际返回一个置信度加上所有选项上的概率分布；三是评分题，提供一组带描述的数值档位，返回落在该范围内的浮点分数。
Jev API可以接受单个文档（state）以及尽可能多的、能塞进上下文窗口的问题。问题并行评估，因此发送很多问题与只发送一个的耗时相近。
Willison认为适用场景是分类与重排序，但黑箱问题更严重
Willison认为“决策模型”这个定位有助于判断在哪里使用Jev：适合任何能表达为分类任务的事情，例如垃圾邮件检测、标签推荐、优先级排序和排名。他还尝试用它做搜索重排序——先用BM25这类低成本算法取出 100 个可能匹配项，再让Jev针对原始查询给这 100 个候选打分。
他同时表示，Jev让他有些不舒服的地方是它进一步退向黑箱机器学习系统。LLM本身已是黑箱，你可以要它解释理由，但无法保证解释有用或准确；Jev连这一点都没有：输入所有文本，拿回来的只有一个浮点数。如果Jev把某内容标为垃圾邮件，是哪些内容信号触发的？
这也意味着偏见问题会更突出。Willison说他真心希望没人用Jev来给求职者排名——那个浮点数可能掩盖模型中各种看不见的偏见，而通过实验拆解这种偏见会很棘手。他自己做过一个实验，让Jev对旧金山湾区每个城市回答是否“好城市”，结果库比蒂诺排最高，东帕洛阿尔托排最低。
已有开源复刻与社区实验出现
Willison称，过去几天社区提出了不少潜在用例。他列举了几个：Kyle Pena的jevchat把Jev变成一个（糟糕的）聊天模型，每一步只问Jev一个问题：“给定用户的问题和目前已写出的回复，下一个符号是什么？”Hacker News用户ericpruitt评论说，这相当于“Morty对着死亡水晶说话的数字版”。
Fatih Kadir Akın的jev-leftpad用提示“value前面需要多少个空格才能达到targetLength？”和从“需要 0 个空格”到“需要 10 个空格”的选项查询来实现left-pad。Andy Gayton的jev-2048则用Jev来玩 2048 滑动拼图。
此外还涌现出一批用开放权重模型复刻Jev的项目。Kev是其中一个例子，基于Qwen 3.5产出 0.8B、4B和 9B模型。相应的Hacker News讨论串中有人贴出了已经出现的JevBench基准，用来比较“Jev类决策模型”。Willison表示，Jev发布还不到一周，围绕它的活动量令人印象深刻。