JEV决策大模型实战让AI替换做业务决策需要相关课件的在慕课网 imooc一、课程概述1.1 Jev 是什么Jev 是 TypeSafe AI 发布的“系统一模型”System One Model不生成任何文字直接返回结构化决策和概率。它由前 OpenAI 研究员、ChatGPT 核心训练方法 RLHF 的幕后功臣之一 Diogo Almeida 创办的公司推出2026 年 9 月 15 日正式发布。Jev 的命名取自 19 世纪经济学家杰文斯暗合“杰文斯悖论”——智能使用成本的暴跌将带来智能用量的暴涨。与传统大语言模型最根本的区别在于它不聊天、不写文章、不生成代码只做判断。你给它一段状态数据它返回带概率的选项、评分或是非判断供代码直接消费。1.2 它解决什么问题传统大模型是“给人用的”输出是给人阅读的文本。但当消费者是代码时文本反而成了麻烦——程序需要解析一段自然语言才能做出判断效率低且不可靠。Jev 的创始人对此有一个精辟的概括“AI 应该更像数据库而不是同事。”Almeida 认为行业过度关注“系统二”推理模型慢速、长推理链但真正能自动化经济价值工作的是“系统一”——快速、直接、可靠的小决策。Jev 的核心价值可以总结为一句话把语义判断变成程序可以直接使用的概率和选项。1.3 市场反应Jev 发布后迅速引爆开发者社区Discord 社区一夜涌入十万人发布视频播放量突破 3800 万次。发布仅一周GitHub 上就出现了2,170 个公开项目接入 Jev覆盖界面 Agent、软件工程、安全治理、路由自动化等八大领域。Vercel 报告称Jev 接入 AI Gateway 后 24 小时内接近13% 的付费团队就开始使用它。二、核心知识点2.1 系统一 vs 系统二两种模型的哲学维度系统一Jev系统二传统大模型定位快速、直觉式判断慢速、长推理链输出结构化决策 概率自然语言文本消费者代码人擅长分类、路由、打分、验证数学、复杂推理、生成成本极低高Almeida 的核心观点是行业过度关注系统二但真正能自动化经济价值工作的是系统一。2.2 三种 AI 原语Jev 的 API 只有三种问题类型官方称为“原语”Choice选择从预先定义的选项集中选出一项最多支持255 个选项返回各选项的概率分布。典型用法客服工单该转给哪个部门Score评分在指定数值范围内给出评分并附带置信度。典型用法客户愤怒程度 1 到 4返回一个连续值。Noul是非概率对“是/否”命题返回一个0 到 1 之间的校准概率。名字来自数学中的伯努利分布。典型用法这条消息是否需要人工介入返回0.95。三种原语可以一次调用同时问Jev 并行评估、同时返回。官方数据显示最常见的用法恰恰是三种一起用。2.3 RLCD让概率可信的训练方法传统大模型用 RLHF基于人类反馈的强化学习训练奖励的是“人类觉得好”的回答而不是“概率说得准”的回答。Almeida 本人指出RLHF 会导致“模式坍缩”模型偏向生成更安全、更常见的答案牺牲概率分布的真实校准。Jev 用的训练方法叫RLCD校准决策强化学习。优化目标完全不同让模型输出的概率和实际命中率对上。模型说有 90% 把握那就大约有 90% 的时候是对的。Almeida 将 RLCD 定义为“基于代码反馈的强化学习”目标是让模型在程序环路中可靠工作。有了可信概率代码就能做分层阈值判断80% 以上自动处理50%–80% 转人工复核50% 以下升级处理。2.4 性能与成本Jev 的核心优势来自非自回归架构传统大模型逐 token 生成输出越长越慢越贵Jev 的输出空间预先定义好一次并行采样就能产出所有判断。对比项Jev传统前沿大模型端到端延迟70–500 毫秒3–329 秒输入价格$0.042 / 百万 token$0.20–10 / 百万 token输出价格免费约为输入价的 5 倍输出免费不是营销话术而是机制决定的没有逐字生成就没有“输出 token”值得计费。官方宣称最高可达193.6 倍更快、444.6 倍更便宜但同时注明这是“实际收益的上限”来自公司内部评测工作流。第三方实测显示同一批文档判断Jev 中位延迟0.32 秒而 DeepSeek V4.1 Flash 关推理需要 2.7 秒、开推理需要 26 秒。2.5 适用边界能做什么不能做什么适合 Jev 的场景有一个共同标准能不能写成一句“聪明的 if 语句”。典型用法包括意图路由与分类把进来的请求判定类别、分发到对应处理器工作流分支一次调用同时问多个问题代码分别走分支大规模文档批量打分对海量文档做分类或打分成本以美分计给大模型输出做评分和护栏判断一段回答质量如何、是否越狱或提示注入官方列出的九项弱点新手最容易踩的坑包括不会算数不是计算器计数不可靠不擅长比较日期把日期当文本读不当有序值不擅长英语之外的长文本英文支持最好其他语言准确率不一完全不能生成文本这是设计使然正确做法是逻辑留在代码里只给 Jev 那个它擅长的窄判断。需要算数先在代码里算好需要比日期在代码里比完只让它回答“是否在期限内”这种布尔问题。三、实操环节3.1 前置准备获取 API Key从console.typesafe.ai/keys登录后创建密钥。所有官方示例都从环境变量TYPESAFE_API_KEY读取先导出export TYPESAFE_API_KEY你的实际密钥验证密钥是否可用调模型列表接口不消耗额度curl https://api.typesafe.ai/v1/models \ -H Authorization: Bearer $TYPESAFE_API_KEY如果返回 401先echo $TYPESAFE_API_KEY确认变量有值。3.2 第一个 curl 调用客服工单自动路由场景用户消息——“我连续三天连不上 Stripe正在丢订单赶紧处理”一次请求问三个问题转给哪个部门Choice、愤怒程度多高Score、是否需要人工介入Noul。curl -X POST https://api.typesafe.ai/v1/systemone \ -H Authorization: Bearer apikey_298694c47e69a0e40858664f32dff064b0d_6291d88600dc60b95d5c11438e99295e2c3e20de310a9a05f2bf9607233df947 \ -H Content-Type: application/json \ -d { model: jev-latest, state: 用户消息我连续三天连不上 Stripe正在丢订单赶紧处理, questions: { department: { type: choice, instructions: 这条工单应该转给哪个部门, criteria: { tech: 技术问题如连接失败、集成故障, billing: 账单、支付或退款相关问题, refund: 用户明确要求退款 } }, anger_level: { type: score, instructions: 客户的愤怒程度有多高, criteria: [ 1 平静, 2 有点烦躁, 3 明显生气, 4 非常愤怒可能流失 ] }, needs_human: { type: noul, instructions: 这条消息是否需要人工介入, criteria: { true: 用户表达了紧迫性或情绪化语言, false: 用户只是陈述事实语气平和 } } } }3.3 关键字段说明端点POST https://api.typesafe.ai/v1/systemone所有模型共用一个端点。认证Authorization: Bearer $TYPESAFE_API_KEY漏写Bearer前缀或环境变量为空都会返回 401。三个顶层字段model填jev-lateststate共享上下文可以是纯文本或 JSON 对象questions一个 map每个 key 是问题 IDvalue 是问题定义三种问题类型choice在criteria中定义选项返回每个选项的概率score在criteria中给出有序描述返回概率加权的位置noul在criteria中给出 true/false 的判定标准返回“是”的校准概率3.4 响应解读调用成功后会返回结构化的 JSON每个问题 ID 下是一个概率分布{ model: jev-1.13.0, answers: { department: { type: choice, choice: tech, confidence: 0.99, probabilities: { refund: 0.0, tech: 0.99, billing: 0.01 } }, anger_level: { type: score, score: 2.82, confidence: 0.82, legend: { 0: 1 平静, 1: 2 有点烦躁, 2: 3 明显生气, 3: 4 非常愤怒可能流失 }, probabilities: { 0: 0.0, 1: 0.0, 2: 0.18, 3: 0.82 } }, needs_human: { type: noul, noul: 0.94 } }, usage: { input_tokens: 527, output_tokens: 71 } } %department概率最高的是tech0.99代码直接选它anger_level3.4介于“明显生气”和“非常愤怒”之间needs_human0.94很高建议转人工3.5 代码中如何使用拿到响应后在代码里做阈值判断if (res.needs_human.noul 0.8) { // 转人工 } else if (res.department.choice.tech 0.7) { // 自动分派给技术团队 } else { // 进入复核队列 }四、课程总结4.1 一句话总结Jev 不是 ChatGPT 的替代品而是“判断环节”的替代品。生成内容用大模型做判断用 Jev两者是互补关系。4.2 核心要点回顾模块要点定位系统一模型不生成文字只输出带概率的结构化决策三种原语Choice选择、Score评分、Noul是非概率可一次调用同时问训练方法RLCD校准决策强化学习让概率和实际命中率对上性能70–500 毫秒延迟$0.042/百万输入 token输出免费适用场景能写成“聪明的 if 语句”的判断分类、路由、打分、验证不适用场景算数、比日期、生成文本、英语之外的长文本正确用法逻辑留在代码里只给 Jev 那个它擅长的窄判断4.3 生态与最新动态Jev 发布一周内落地 2,170 个 GitHub 项目关注度集中在界面 Agent决定网页下一步操作和路由与自动化选择模型、工具或流程两类合计占项目数的 19.6%却获得了 63% 的 Stars。中国 AI 企业 APUS 已公布全球首批开源复现成果支持纯本地模型离线执行在 Apple M2 Pro 消费级笔记本上完成真实维基百科检索任务的中位耗时约 18 秒表单填报、站内导航等任务仅需 3 秒左右全程零云端调用、零 API 费用。4.4 课后作业去console.typesafe.ai/playground手动跑一遍粘一段客服消息加一个 Noul 问题跑完你会看到一个 0 到 1 之间的数字。这就是 Jev 的全部输出形态不是“这条消息比较紧急”而是 0.95。
JEV决策大模型实战让AI替换做业务决策需要相关课件的在慕课网 imooc一、课程概述1.1 Jev 是什么Jev 是 TypeSafe AI 发布的“系统一模型”System One Model不生成任何文字直接返回结构化决策和概率。它由前 OpenAI 研究员、ChatGPT 核心训练方法 RLHF 的幕后功臣之一 Diogo Almeida 创办的公司推出2026 年 9 月 15 日正式发布。Jev 的命名取自 19 世纪经济学家杰文斯暗合“杰文斯悖论”——智能使用成本的暴跌将带来智能用量的暴涨。与传统大语言模型最根本的区别在于它不聊天、不写文章、不生成代码只做判断。你给它一段状态数据它返回带概率的选项、评分或是非判断供代码直接消费。1.2 它解决什么问题传统大模型是“给人用的”输出是给人阅读的文本。但当消费者是代码时文本反而成了麻烦——程序需要解析一段自然语言才能做出判断效率低且不可靠。Jev 的创始人对此有一个精辟的概括“AI 应该更像数据库而不是同事。”Almeida 认为行业过度关注“系统二”推理模型慢速、长推理链但真正能自动化经济价值工作的是“系统一”——快速、直接、可靠的小决策。Jev 的核心价值可以总结为一句话把语义判断变成程序可以直接使用的概率和选项。1.3 市场反应Jev 发布后迅速引爆开发者社区Discord 社区一夜涌入十万人发布视频播放量突破 3800 万次。发布仅一周GitHub 上就出现了2,170 个公开项目接入 Jev覆盖界面 Agent、软件工程、安全治理、路由自动化等八大领域。Vercel 报告称Jev 接入 AI Gateway 后 24 小时内接近13% 的付费团队就开始使用它。二、核心知识点2.1 系统一 vs 系统二两种模型的哲学维度系统一Jev系统二传统大模型定位快速、直觉式判断慢速、长推理链输出结构化决策 概率自然语言文本消费者代码人擅长分类、路由、打分、验证数学、复杂推理、生成成本极低高Almeida 的核心观点是行业过度关注系统二但真正能自动化经济价值工作的是系统一。2.2 三种 AI 原语Jev 的 API 只有三种问题类型官方称为“原语”Choice选择从预先定义的选项集中选出一项最多支持255 个选项返回各选项的概率分布。典型用法客服工单该转给哪个部门Score评分在指定数值范围内给出评分并附带置信度。典型用法客户愤怒程度 1 到 4返回一个连续值。Noul是非概率对“是/否”命题返回一个0 到 1 之间的校准概率。名字来自数学中的伯努利分布。典型用法这条消息是否需要人工介入返回0.95。三种原语可以一次调用同时问Jev 并行评估、同时返回。官方数据显示最常见的用法恰恰是三种一起用。2.3 RLCD让概率可信的训练方法传统大模型用 RLHF基于人类反馈的强化学习训练奖励的是“人类觉得好”的回答而不是“概率说得准”的回答。Almeida 本人指出RLHF 会导致“模式坍缩”模型偏向生成更安全、更常见的答案牺牲概率分布的真实校准。Jev 用的训练方法叫RLCD校准决策强化学习。优化目标完全不同让模型输出的概率和实际命中率对上。模型说有 90% 把握那就大约有 90% 的时候是对的。Almeida 将 RLCD 定义为“基于代码反馈的强化学习”目标是让模型在程序环路中可靠工作。有了可信概率代码就能做分层阈值判断80% 以上自动处理50%–80% 转人工复核50% 以下升级处理。2.4 性能与成本Jev 的核心优势来自非自回归架构传统大模型逐 token 生成输出越长越慢越贵Jev 的输出空间预先定义好一次并行采样就能产出所有判断。对比项Jev传统前沿大模型端到端延迟70–500 毫秒3–329 秒输入价格$0.042 / 百万 token$0.20–10 / 百万 token输出价格免费约为输入价的 5 倍输出免费不是营销话术而是机制决定的没有逐字生成就没有“输出 token”值得计费。官方宣称最高可达193.6 倍更快、444.6 倍更便宜但同时注明这是“实际收益的上限”来自公司内部评测工作流。第三方实测显示同一批文档判断Jev 中位延迟0.32 秒而 DeepSeek V4.1 Flash 关推理需要 2.7 秒、开推理需要 26 秒。2.5 适用边界能做什么不能做什么适合 Jev 的场景有一个共同标准能不能写成一句“聪明的 if 语句”。典型用法包括意图路由与分类把进来的请求判定类别、分发到对应处理器工作流分支一次调用同时问多个问题代码分别走分支大规模文档批量打分对海量文档做分类或打分成本以美分计给大模型输出做评分和护栏判断一段回答质量如何、是否越狱或提示注入官方列出的九项弱点新手最容易踩的坑包括不会算数不是计算器计数不可靠不擅长比较日期把日期当文本读不当有序值不擅长英语之外的长文本英文支持最好其他语言准确率不一完全不能生成文本这是设计使然正确做法是逻辑留在代码里只给 Jev 那个它擅长的窄判断。需要算数先在代码里算好需要比日期在代码里比完只让它回答“是否在期限内”这种布尔问题。三、实操环节3.1 前置准备获取 API Key从console.typesafe.ai/keys登录后创建密钥。所有官方示例都从环境变量TYPESAFE_API_KEY读取先导出export TYPESAFE_API_KEY你的实际密钥验证密钥是否可用调模型列表接口不消耗额度curl https://api.typesafe.ai/v1/models \ -H Authorization: Bearer $TYPESAFE_API_KEY如果返回 401先echo $TYPESAFE_API_KEY确认变量有值。3.2 第一个 curl 调用客服工单自动路由场景用户消息——“我连续三天连不上 Stripe正在丢订单赶紧处理”一次请求问三个问题转给哪个部门Choice、愤怒程度多高Score、是否需要人工介入Noul。curl -X POST https://api.typesafe.ai/v1/systemone \ -H Authorization: Bearer apikey_298694c47e69a0e40858664f32dff064b0d_6291d88600dc60b95d5c11438e99295e2c3e20de310a9a05f2bf9607233df947 \ -H Content-Type: application/json \ -d { model: jev-latest, state: 用户消息我连续三天连不上 Stripe正在丢订单赶紧处理, questions: { department: { type: choice, instructions: 这条工单应该转给哪个部门, criteria: { tech: 技术问题如连接失败、集成故障, billing: 账单、支付或退款相关问题, refund: 用户明确要求退款 } }, anger_level: { type: score, instructions: 客户的愤怒程度有多高, criteria: [ 1 平静, 2 有点烦躁, 3 明显生气, 4 非常愤怒可能流失 ] }, needs_human: { type: noul, instructions: 这条消息是否需要人工介入, criteria: { true: 用户表达了紧迫性或情绪化语言, false: 用户只是陈述事实语气平和 } } } }3.3 关键字段说明端点POST https://api.typesafe.ai/v1/systemone所有模型共用一个端点。认证Authorization: Bearer $TYPESAFE_API_KEY漏写Bearer前缀或环境变量为空都会返回 401。三个顶层字段model填jev-lateststate共享上下文可以是纯文本或 JSON 对象questions一个 map每个 key 是问题 IDvalue 是问题定义三种问题类型choice在criteria中定义选项返回每个选项的概率score在criteria中给出有序描述返回概率加权的位置noul在criteria中给出 true/false 的判定标准返回“是”的校准概率3.4 响应解读调用成功后会返回结构化的 JSON每个问题 ID 下是一个概率分布{ model: jev-1.13.0, answers: { department: { type: choice, choice: tech, confidence: 0.99, probabilities: { refund: 0.0, tech: 0.99, billing: 0.01 } }, anger_level: { type: score, score: 2.82, confidence: 0.82, legend: { 0: 1 平静, 1: 2 有点烦躁, 2: 3 明显生气, 3: 4 非常愤怒可能流失 }, probabilities: { 0: 0.0, 1: 0.0, 2: 0.18, 3: 0.82 } }, needs_human: { type: noul, noul: 0.94 } }, usage: { input_tokens: 527, output_tokens: 71 } } %department概率最高的是tech0.99代码直接选它anger_level3.4介于“明显生气”和“非常愤怒”之间needs_human0.94很高建议转人工3.5 代码中如何使用拿到响应后在代码里做阈值判断if (res.needs_human.noul 0.8) { // 转人工 } else if (res.department.choice.tech 0.7) { // 自动分派给技术团队 } else { // 进入复核队列 }四、课程总结4.1 一句话总结Jev 不是 ChatGPT 的替代品而是“判断环节”的替代品。生成内容用大模型做判断用 Jev两者是互补关系。4.2 核心要点回顾模块要点定位系统一模型不生成文字只输出带概率的结构化决策三种原语Choice选择、Score评分、Noul是非概率可一次调用同时问训练方法RLCD校准决策强化学习让概率和实际命中率对上性能70–500 毫秒延迟$0.042/百万输入 token输出免费适用场景能写成“聪明的 if 语句”的判断分类、路由、打分、验证不适用场景算数、比日期、生成文本、英语之外的长文本正确用法逻辑留在代码里只给 Jev 那个它擅长的窄判断4.3 生态与最新动态Jev 发布一周内落地 2,170 个 GitHub 项目关注度集中在界面 Agent决定网页下一步操作和路由与自动化选择模型、工具或流程两类合计占项目数的 19.6%却获得了 63% 的 Stars。中国 AI 企业 APUS 已公布全球首批开源复现成果支持纯本地模型离线执行在 Apple M2 Pro 消费级笔记本上完成真实维基百科检索任务的中位耗时约 18 秒表单填报、站内导航等任务仅需 3 秒左右全程零云端调用、零 API 费用。4.4 课后作业去console.typesafe.ai/playground手动跑一遍粘一段客服消息加一个 Noul 问题跑完你会看到一个 0 到 1 之间的数字。这就是 Jev 的全部输出形态不是“这条消息比较紧急”而是 0.95。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
