Jev：让 AI 决定下一步，而不只是写出下一句

Andy Gao 对着 Mac 说“打开备忘录，再新建……”，话还没说完，应用已经打开。这段 9 月 18 日发布的演示，用到了 TypeSafe AI 的 Jev。[1]

最值得追问的不是“它怎么这么快”，而是：它究竟负责了哪一步？

语音需要被转成文字，系统要知道有哪些应用和动作，执行层要把应用打开。Jev 参与的是中间那个判断：根据目前得到的信息，接下来该选什么。它没有独自完成整套电脑操作，也不是靠自己看懂屏幕。

把 Jev 理解成“鼠标”很有启发。生成模型负责写出内容，这类决策模型帮助软件决定往哪里走。但鼠标只是比喻，更准确的位置是鼠标背后的选择器：它给有限的候选项分配概率；能不能点、是否现在点、点完有没有成功，仍然由其他部分负责。

这件事落到代码里，其实很熟悉：if-else。

金额大于限额、文件是否存在、日期有没有过期，这些条件用普通代码判断就很好。难写的是另一类条件：客户是不是在要求退款？这段检索材料是否真的支持答案？刚才失败的工具调用值得重试吗？Jev 要接手的，正是这些需要理解语义、却不需要写一篇解释的分支。

它拿走的，是生成答案之前的那段工作

Jev 是 TypeSafe 的托管决策模型。创始人 Diogo Almeida 的发布串发于北京时间 9 月 16 日凌晨；截至 9 月 20 日，官方文档列出的版本是 Jev 1.13，模型 ID 为 jev-1.13.0。[2][3]

它接收状态 state，再接收由开发者定义的问题和答案类型。状态可以是文本、JSON 对象或文本数组。当前版本不直接接收图片、音频或视频；这些输入要先经过其他组件，变成它能处理的文字或结构化信息。

输出只有三类，分别解决三种常见问题：

• Choice：从有限选项里选。 比如把工单分到“支付、技术、售前、需要人工判断”。返回选项、各选项的概率和一个 confidence 值。
• Score：按明确等级打分。 比如内容与任务的关联程度，从“无关”到“直接解决问题”。它返回等级分布，以及由分布计算出的连续分数，不只是随口报一个整数。
• Noul：判断一个命题成立的概率。 比如“这封邮件明确提出了退款请求吗？”结果在 0 到 1 之间。它没有额外的 confidence 字段；0.5 表示真假两边难分，不是“退款意愿中等”。

多个问题可以共享同一份状态，在一次请求里并行评估。开发者可以把“这段代码适不适合合并”拆成是否触及认证、是否删除测试、是否改变公共接口等小问题，然后用代码合并结果。[4]

这里也要纠正一个容易说过头的对比：大语言模型并非只能生成、不能决策。 分类、工具选择、结构化输出，现有大模型早就在做。Jev 的区别是把这种工作单独做成产品：不绕道生成长文本，接口直接服务于选择、评分和分支。

TypeSafe 把这个类别叫作 System One，把训练方法称为 RLCD，即“校准决策强化学习”。公司描述的目标，是让模型给出的概率更符合实际结果。公开资料尚不足以复现完整训练方法，也没有让人据此独立确认其全部架构细节。可以讨论它提供了什么接口，不能仅凭一个新名字，就断言一条全新的智能路线已经被证明。[2]

“合法答案”与“正确答案”，差了一整个工程系统

设想一个路由器，只允许返回“财务、售后、技术”三个部门。它不会突然返回一个不存在的第四部门，但仍然可能把退款投诉送到技术组。

这就是 Jev 宣传中“不会幻觉”需要加上的边界。TypeSafe 所强调的保证，是输出符合预先定义的类型和候选范围。它消除的是越出格式与选项的错误，不是选项内部的误判。 官方自己也列出了数学、日期、绕弯表述、无关上下文和对抗性输入等弱点。[2][5]

图中区分三件事：类型约束保证“答案在允许范围内”；校准要验证“概率与结果是否相符”；安全执行还需要权限、规则和风险控制。

概率也不能直接读成承诺。假如一批相近条件下的预测都报 0.8，校准良好意味着这批事件大约有八成发生，不代表其中某一次已经获得“八成可靠”的安全许可。

confidence 又是另一回事。官方文档说明，它由返回的概率分布形状计算得来：分布越集中，通常越高。它不是独立的第二位裁判，也不能一概当作准确率。[6]

还要看候选项是否完整。如果系统只给“退款”和“拒绝”两个选项，却漏掉“资料不足，先核对订单”，模型再果断，也可能只是被迫在两个不合适的动作中挑一个。

因此，真正有用的新增选项往往是：暂不执行，补充信息。

把“鼠标”拆开，才知道该把 Jev 装在哪里

一个能够可靠操作软件的系统，至少需要五步：读取状态，限定候选动作，评估候选，检查权限与风险，执行并验证结果。

这是系统设计示意，不是 Jev 自带的完整能力。它主要参与第三步；其余环节需要感知组件、代码、工具和必要的人类确认。

以网页操作为例，可以先从 DOM 或无障碍树中取得按钮名称和状态，只把当前允许点击的按钮交给选择器。返回的按钮 ID 再与白名单核对。页面发生变化后重新取状态，避免点击上一秒还在、下一秒已经移动的对象。

同样的逻辑能把你的 if-else 理解落得更实：确定的条件继续交给代码，模糊的语义条件交给模型；模型输出不能绕过代码里的硬规则。

下面是逻辑示意，不是 Jev SDK 的调用样例，也不是推荐直接照抄的生产阈值：

# threshold 必须来自本业务的标注测试集
if not permission_allows(action):
    reject()
elif not state_is_fresh() or evidence_is_missing():
    request_review()
elif risk_is_unacceptable():
    request_review()
elif not relevance_passes_threshold():
    use_slower_path()
else:
    execute_once(action)
    verify_result()

在这个结构里，Jev 可以帮助估计相关性、意图和某些风险信号，但权限检查、状态版本、幂等控制与执行验证，不该变成一道让模型随意回答的选择题。

已经出现的应用，说明了什么

PR 检查：把一次笼统评审拆成一组小判断。 Paolo Rosson 在 9 月 17 日展示了一个流程：输入 diff，一次请求得到 14 项类型化检查，再由代码决定阻断、转安全评审、做小修或合并。他报告的样本是视频里的 6 个 PR，每个 Jev 调用约 0.00007 美元。[7]

这展示了一种值得试的架构，不足以证明 Jev 可以替代完整代码审查。它看见了什么上下文，是否发现跨文件漏洞，漏报的代价是多少，都不是“六个 PR 很便宜”能回答的。更稳妥的用途，是给确定性扫描、测试和人工评审增加一个廉价的分流层。

论文归类：生成与决策各干自己的活。 Hassan 在 9 月 17 日公布的流程，先用 DeepSeek V4 Flash 总结 1,018 篇论文，再把标题、摘要与 24 个主题交给 Jev 分类。他报告摘要费用为 3.99 美元，分类费用为 0.08 美元，分类端到端延迟中位数为 256 毫秒；同时明确说，替换现有分类前还在做评估。[8]

这里有两层价值：长文理解与压缩由生成模型完成，便宜的选择器处理后续归类。也有两层误差：摘要漏掉关键信息，分类器再强也无法补回来。这些数字是作者报告的单个流程结果，不是通用服务保证。

语音操作：快到抢跑，也可能快到误操作。 Mac 演示很直观。可在它的回复区，9 月 20 日凌晨已经有人问到关键问题：用户说到一半停顿或改口，怎么取消、回滚？[1][9]

打开一个应用通常容易恢复，发出邮件、提交付款、删除文件却不同。由此能得到一个实用设计：允许低风险的准备动作提前进行，但把不可逆的提交留到意图完整、权限检查完成之后。这是从讨论延伸出的设计建议，不是演示已经证明的安全能力。

开源生态里，至少有三条不同路线

Jev 本身在已查阅的官方资料中仍是托管模型，没有公开权重。GitHub 上名字里带 Jev 的项目，可能是在调用它，也可能只模仿接口，不能都算成“开源版 Jev”。

直接读候选分数：先试接口思路

TheoLeeCJ/SemIf 原名 OpenJev。它不要求模型先生成一段 JSON，而是读取现有开放模型对指定答案 token 的分数，得到有限候选分布。代码为 MIT 许可，底座权重另看各自条款。

它适合回答一个原型问题：手头的模型能不能用作语义 if 语句？但候选分数归一化后加起来等于 1，不等于已经完成校准。换候选描述、顺序、量化方式或业务数据，表现都可能变化。

训练决策模型：研究质量能否进一步提高

Mapika/decider 提供训练、评估、推理代码及开放权重；代码与所核查的 2B 权重标注 Apache-2.0。它属于真正做了决策任务训练的路线，9 月 20 日仍有代码更新。项目同时承认英语范围、复杂推理与难例上的限制。[13]

Bespoke Nimble 在 Qwen3.5-9B 上做后训练，并公开了一个 Apache-2.0 标注的权重版本。它不是对 Jev API 的简单封装。不过，作者提示数据域有限，不能把自己的小规模留出集成绩推广到所有任务；截至核查时，GitHub 代码仓库也没有检测到许可证，不能把权重许可自动套到代码上。[13]

这两类项目的研究价值，在于能检查训练和评估过程。至于谁胜过 Jev，仍需要同一测试集、同一判断标准以及可比较的延迟路径，不能拿各家 README 的数字直接排榜。

把扩散模型接成选择器：同一权重，两种用途

Google Gemma 9 月 19 日转发的“DiffusionGemma as Jev”，指向一条不同路线：利用扩散模型的画布，在预留的答案位置上读取候选分布，而不是逐字生成答案。相关 vLLM PR 是 #57250，北京时间 9 月 17 日已创建；截至 9 月 20 日晚间核查，仍未合并。[10]

razorback16/openjev 提供相应服务层。值得探索的是：一套常驻内存的权重，既做文本生成，也做有限选项判断。代价是实验性运行时、模型占用和部署工作，不能理解成安装稳定版 vLLM 就全部可用。

尤其要把它与 githubnext/localjev 分开。后者通过普通聊天接口要求模型生成带概率的 JSON，再整理成 Jev 形状。两者都可能接上类似接口，但“模型写出来的概率”和“从候选位置读出的分数”，不是同一种测量；两者也都不自动等于 Jev 的校准质量。

9 月 20 日的新动向，哪些值得继续看

以下以北京时间计。“今天新建仓库”“今天更新”“今天转发”是三种不同事件。这里选取能回到原帖或代码核查的项目，不以热度推断成熟度。

接入门槛继续降低。 TypeSafe 官方今天转发了 Vercel Developers 的公告：Jev 在 Vercel AI Gateway 的免费活动持续至 9 月 25 日。它是限时活动，不是 Jev 输入永久免费的定价承诺；可用性和活动条件要看实际网关。Vercel、Cloudflare 与 LangChain 的接入都已经有官方资料，分别解决分发或编排，不意味着模型开源。[11][12]

把编码代理收到的工具结果先筛一遍。 今天 09:08 创建的 Astro-Han/jev-harness，探索用 Jev 过滤工具结果再交给编码模型，并提供 A/B 对照框架。可以关注它能否减少无关上下文；不能只看输入 token 下降，还要检查关键证据有没有被删掉。

把决策后端放进机器人仿真。 今天 11:38 创建的 FBddcz/embodied-jev，把本地模型、托管 Jev 和兼容接口接进 MuJoCo 工作台。它的启发是把控制框架与决策后端分开比较。仓库保留失败与超时记录，也明确限制演示结论；仿真中的尝试不是现实机器人安全认证。

把直接读分数与低比特权重结合。 今天 16:15 创建的 NicolaiLassen/open-bonzi-jev，将 SemIf 式读取与 Bonsai 权重结合，探索笔记本上的本地判断。项目自己展示了“很自信但答错”的情况，提醒人们别把候选集内的分数当真值。

给本地选择器加上 MCP 接口。 今天 15:49 创建的 GenericJevMCP-via-DiffusionGemma，把有限选项判断包装成 MCP、CLI 与 HTTP 服务。它明确提示概率未经校准，只在给定候选中归一化。适合试本地工具链，不宜直接接管高后果动作。

这些是当天的新实验，不是四个已经成熟的新基础模型。更明显的变化是组合方式：已有模型，加一种判断接口，再放进编码、工具或控制流程。

十个可以试的场景，以及每个场景的刹车

下面是应用设计建议，不是十项已经得到验证的 Jev 产品能力。筛选标准很简单：候选能否列清楚，错误能否被发现，失败后是否有别的路可走。

1．客服工单分流。 输入用户描述和订单背景，输出意图、相关部门与是否需要升级。模型处理语义，订单状态与退款权限由代码查。误分率、重新转派率，比“处理了多少工单”更重要。

2．大小模型路由。 判断请求适合便宜模型、强模型，还是先查工具。把便宜模型失败后的重试也计入成本；如果节约的单次费用换来了更多失败，路由就没有省钱。

3．RAG 证据筛选。 对检索片段判断相关性、时效性和是否支持具体主张。保留原文与来源定位；高分只能是辅助信号，不能替代引用核对。针对法规、医学或财务材料，漏掉反证尤其危险。

4．编码代理的下一步。 在“读文件、跑测试、补实现、停止并报告”中选择，把长循环拆成可观察的小步。错误日志、文件访问边界和迭代预算必须由程序控制，不能让代理无限重试。

5．PR 风险分流。 判断哪些改动碰到认证、数据迁移或公开接口，给评审者排序。模型低风险不等于批准合并；测试、静态扫描和必要评审继续保留。

6．语音助手的提前准备。 流式转写尚未结束时，先准备搜索或打开应用；发送、支付和删除等提交动作等待明确授权。设计取消路径，并测量误触发率，而不只是响应速度。

7．通知与信息流整理。 把“值得打断”“稍后看”“归档”做成有限选项，用用户真实反馈调整。保留重要联系人的硬规则和最近归档入口，避免安静变成漏消息。

8．内容发布前的检查。 将缺来源、标题过度承诺、正文与图片不一致等拆成独立判断。事实核查仍要访问证据；模型不能凭文章读起来顺畅，就宣布它准确。

9．游戏 NPC 与仿真代理。 慢模型定目标，快选择器从当前合法动作中选一步，游戏引擎负责碰撞、资源和冷却。先在仿真里测失败，不能把低延迟演示外推为现实控制可靠性。

10．运营与风控的复核队列。 将日志、报障或异常描述按原因和紧急程度排序，帮助人先看哪些。金额计算、账户权限、交易执行与最终审批留在确定性流程中。对影响用户权益的判断，必须有人工复核与申诉路径。

其中更值得先试的是工单分流、材料筛选和低风险路由：结果容易检查，撤销代价也相对低。不要拿自动付款、删生产数据库或拒绝用户权益，作为第一个展示速度的场景。

算清一次判断，也算清一次误判

TypeSafe 当前列价是每百万输入 token 0.042 美元，输出免费。若一次请求共消耗 1,000 个输入 token，那么单次模型费用是 0.000042 美元，一百万次约 42 美元。[3]

这只是按输入量计算的费用，不包括前面的语音识别、摘要、检索，后面的重试、执行失败与人工复核。官方报告的 70—500 毫秒也不是所有地区、负载和输入长度下的 SLA。[2]

上线前可以做一个足够小、但完整的实验：

• 从真实业务中选一批能标注的任务，覆盖常见、含糊、错误输入和对抗样本。按客户或来源拆分测试集，避免相似内容泄漏。
• 固定模型版本、问题措辞和候选定义。把规则、普通小模型或现有流程作为基线，不只和最昂贵模型比较。
• 同时记录准确率、危险错误、转人工比例、端到端 P95 延迟与每个成功任务的总成本。再检查概率分桶是否符合实际结果。
• 先跑影子模式：模型给建议，原流程照常执行。比较两者差异后，只让低风险且有回滚的分支小比例上线。
• 权重、量化、提示或候选集变更后重测。给超时、服务不可用和低把握结果留出回退路径。

Jev 有意思的地方，不在于它取代了 if-else，而在于它给某些以前写不出来的条件，提供了一种可调用的近似判断。一个软件是否因此更好，要看它错的时候会发生什么。

检查下一个演示时，除了看它点得有多快，也看它有没有一条清楚的“不点”路径。

来源与核查口径

资料截止北京时间 2026 年 9 月 20 日晚间。性能数字按官方或演示作者归因，不代表独立复测。当天项目按 GitHub 创建时间换算为北京时间；代码更新不等于首次发布。X 动态为可核验公开帖与讨论的精选，不声称覆盖全站所有相关内容。

1. Andy Gao：Mac 语音操作演示
2. TypeSafe：Jev 发布说明；Diogo Almeida 发布串
3. TypeSafe：当前模型、价格与输入范围
4. TypeSafe：API 与类型定义
5. Jev 1.13：已知能力边界
6. TypeSafe：confidence 与概率
7. Paolo Rosson：PR 检查流程
8. Hassan：论文摘要与归类流程
9. 语音中途改口与回滚的讨论
10. Google Gemma：DiffusionGemma as Jev；Matt Mastracci：比较测试及其范围
11. TypeSafe 9 月 20 日转发的 Vercel 免费活动；Vercel 模型页
12. Cloudflare 接入文档；LangChain 集成文档
13. Bespoke Nimble 权重与模型卡；Decider 2B 权重
14. 研究线索：新智元原始报道；其引用的 TestingCatalog 原帖。技术结论以官方文档与项目资料核对，项目仓库已在对应段落链接。