---
title: "Jev 决策模型 API：JevK5 兼容官方 SDK，附原理与适用边界|万维易源ShowAPI"
canonical_url: "https://www.showapi.com/ai/jev"
last_updated: 2026-09-29
meta:
  description: "JevK5 是万维易源自营的 Jev 决策模型 API，兼容 Jev 官方请求格式与 SDK，替换 baseURL 即可调用，输出免费。本专题同时整理 Jev（TypeSafe AI 的 System One 决策模型）的原理、适用边界与价格，并提供模型控制游戏的在线体验。"
  keywords: "Jev 决策模型 API, JevK5, Jev 兼容 SDK, System One 模型, Jev 开源替代, 决策模型 API, 模型玩游戏"
  "og:description": "JevK5 是万维易源自营的 Jev 决策模型 API，兼容 Jev 官方请求格式与 SDK，替换 baseURL 即可调用，输出免费。本专题同时整理 Jev（TypeSafe AI 的 System One 决策模型）的原理、适用边界与价格，并提供模型控制游戏的在线体验。"
  "og:title": "Jev 决策模型 API：JevK5 兼容官方 SDK，附原理与适用边界|万维易源ShowAPI"
  "twitter:description": "JevK5 是万维易源自营的 Jev 决策模型 API，兼容 Jev 官方请求格式与 SDK，替换 baseURL 即可调用，输出免费。本专题同时整理 Jev（TypeSafe AI 的 System One 决策模型）的原理、适用边界与价格，并提供模型控制游戏的在线体验。"
  "twitter:title": "Jev 决策模型 API：JevK5 兼容官方 SDK，附原理与适用边界|万维易源ShowAPI"
---

万维易源自营 · JevK5 API 已上线 

# Jev 决策模型 API：兼容 Jev 官方 SDK，JevK5 已在万维易源上线

万维易源自营的 JevK5 决策模型 API 已上线：兼容 Jev 官方 SDK，替换 baseURL 与 appKey 即可调用。另附决策模型的原理、适用边界与游戏体验入口。

- 兼容官方 SDK
- 输出免费 · 按输入 token 计费
- 开源 Apache-2.0 · 4B

万维易源自有服务，兼容 Jev 官方格式，并非 Jev 官方服务；专题为非官方第三方整理，与 TypeSafe AI 无隶属、合作或背书关系。

调用 JevK5 API [在线调试](https://www.showapi.com/apitest/market/3627/1) 体验模型控制的游戏

ChoiceScoreNoul

示意数据，非真实输出

state: “Customer emailed twice this week about a failed refund…”

这封客户邮件应该转给哪个团队？

- 退款处理71%
- 账单争议19%
- 技术支持7%
- 其他3%

选中「退款处理」· 置信度 0.71

官方 Jev API≈ ¥0.3$0.042

万维易源 JevK5¥0.1

JevK5 输入单价

约 1/3

官方价 · 省约 67%

官方价按 1 美元≈7.2 元折算，仅供比较；比较的是输入 token 单价，两者模型规模与能力不同。  查看成本测算

## 30 秒速答

<dl>

<dt>它是什么</dt>
<dd>输入文本/JSON 状态，输出带校准概率的类型化决策，而非生成文本。</dd>

<dt>适合谁</dt>
<dd>有界选项上的语义判断：分类、路由、打分、核对；高频、低延迟、成本敏感。</dd>

<dt>局限</dt>
<dd>官方自陈 9 类失败模式（字面理解、数学与数字、日期时间比较）；不做文本生成。</dd>

<dt>怎么接入</dt>
<dd>平台已上线兼容官方 SDK 的决策模型 API：替换 baseURL 与 appKey 即可调用，无需自备 GPU。</dd></dl>

### JevK5 决策模型

JevK5 v0.3 · alibiserikbay

已上线

调用价格

¥0.1/ 百万输入 token输出免费

约为官方价的 1/3 · 省约 67%

官方 Jev API≈ ¥0.3$0.042

万维易源 JevK5¥0.1

官方价按 1 美元≈7.2 元折算，仅供比较；比较的是输入 token 单价，两者模型规模与能力不同。

按实际消耗的输入 token 计费，输出不计费，单价实时取自平台规格。

<dl>

<dt>许可</dt>
<dd>开源 · Apache-2.0</dd>

<dt>规模</dt>
<dd>4B</dd>

</dl>

- choice
- score
- noul

- 兼容 Jev 官方请求格式与官方 SDK，替换 baseURL、apiKey 与 model 即可调用
- 开源权重的小模型，按输入 token 计费、输出不计费
- 支持 choice / score / noul 三种决策原语，与官方的决策形态一致

<details>

<summary>已知局限</summary>



- 4B 开源小模型：适合简单高频的判断，复杂推理类决策请先用自己的样本测试再上线
- 第三方榜单收录了该模型权重的测试成绩（见榜单快照），不代表平台部署的实测表现

</details>

[在线调试](https://www.showapi.com/apitest/market/3627/1) [ API 详情](https://www.showapi.com/apis/jevk5-3627) [调用说明](https://www.showapi.com/apis/jevk5-3627?tab=book)

#### 与 Jev 官方同构

同一段 SDK 代码，只需改下面高亮的三行。

Jev 官方万维易源

```
import { choice, TypeSafeClient } from '@typesafe-ai/sdk' const client = new TypeSafeClient({  baseURL: 'https://jev.showapi.com',  apiKey: process.env.SHOWAPI_APPKEY,  defaultModel: 'JevK5-V0.3',}) const response = await client.systemOne({  state: { document: '我被重复扣款了两次，请尽快处理。' },  questions: {    category: choice('这个工单属于哪一类？', { billing: null, technical: null, other: null }),  },})console.log(response.answers.category.choice)
```

- 请求地址： `POST https://jev.showapi.com/v1/systemone`
- Python SDK 无需改代码：设置环境变量 TYPESAFE\_BASE\_URL 即可。

### 三步接入

已有按官方 API 写好的代码，不需要重写。

1. 01 #### 第 1 步：获取 appKey

   登录控制台，在「我的应用」里创建应用并复制 appKey。 [去控制台](https://www.showapi.com/console#/myApp)
2. 02 #### 第 2 步：替换 baseURL 与 model

   把 baseURL 指向 https://jev.showapi.com，apiKey 换成 appKey，model 填 JevK5-V0.3，其余代码不用改。 [调用说明](https://www.showapi.com/apis/jevk5-3627?tab=book)
3. 03 #### 第 3 步：先在线调试

   用自己的样本跑几条，确认判断符合预期，再接入业务。 [在线调试](https://www.showapi.com/apitest/market/3627/1)

### 吃豆人Pac-Man

吃光豆子，躲开幽灵

每个路口选一个方向

- 上
- 左
- 下
- 右

读 13 项

[立即体验](https://www.showapi.com/ai/jev/game/pacman?from=jev-topic) [ 玩法详解：吃豆人](https://www.showapi.com/ai/jev/play/pacman)

### 贪吃蛇Snake

吃食物、变长，别撞墙也别咬到自己

每一步选一个方向

- 上
- 右
- 下
- 左

读 7 项

[立即体验](https://www.showapi.com/ai/jev/game/snake?from=jev-topic) [ 玩法详解：贪吃蛇](https://www.showapi.com/ai/jev/play/snake)

### 俄罗斯方块Tetris

接住下落的方块、消行，别堆到顶

每个方块选一个落点

- 每块通常有 17–34 个可达落点（列 × 旋转）；默认由代码裁到约 5 个再交给模型，困难模式给全部

读 13 项

[立即体验](https://www.showapi.com/ai/jev/game/tetris?from=jev-topic) [ 玩法详解：俄罗斯方块](https://www.showapi.com/ai/jev/play/tetris)

### 2048

滑动并合并相同数字，合出 2048

每一步选一个滑动方向

- 上
- 右
- 下
- 左

读 5 项

[立即体验](https://www.showapi.com/ai/jev/game/2048?from=jev-topic) [ 玩法详解：2048](https://www.showapi.com/ai/jev/play/2048)

### Flappy Bird

点一下上升，穿过管道缝隙，别落地也别撞管

每半秒选一次：拍，还是不拍

- 拍
- 不拍

读 5 项

[立即体验](https://www.showapi.com/ai/jev/game/flappy?from=jev-topic) [ 玩法详解：Flappy Bird](https://www.showapi.com/ai/jev/play/flappy)

### 恐龙游戏Dino

跳过仙人掌，躲开翼龙，跑得越久越快

每个障碍选一次：跳，还是不动

- 跳
- 不动

读 4 项

[立即体验](https://www.showapi.com/ai/jev/game/dino?from=jev-topic) [ 玩法详解：恐龙游戏](https://www.showapi.com/ai/jev/play/dino)

「作答规则」是游戏的设计常量：默认（1×、子弹时间关闭）下，答案必须在窗口内到达才会被采用，迟到的答案作废、改走兜底规则；它不是模型的响应延迟，真实延迟（均值 / p50 / p95）由游戏控制台逐局实时统计。速度档（0.5× / 1× / 2×）会等比压缩窗口，倍速 > 1× 时自动开启子弹时间让游戏等答案，所以只有同为 1×、且子弹时间开关一致的对局才可横向比较。

### 游戏是怎么被模型控制的

1. 1游戏引擎

   固定 60Hz 步进；答案没到时可由子弹时间放慢时钟
2. 2类型化读数

   局面转成数字与枚举读数，不用截图，也不是自由文本
3. 3安全筛

   部分游戏默认先剔掉必死的选项，只剩一个就直接执行；困难模式不筛
4. 4服务端模板

   读数在服务端填入提问模板，页面无法自行改写指令
5. 5决策模型JevK5 可选

   在合法选项上给出概率分布
6. 6合法动作

   选中一个合法动作，交还引擎执行

答案来不及时怎么办

- 作答窗口

  每个决策点只给模型一个窗口，速度档（0.5× / 1× / 2×）会等比压缩它。默认（1×、子弹时间关闭）是硬死线：答案迟到就作废。
- 子弹时间

  答案还在路上、决策点又逼近时，游戏时钟逐渐放慢等它，最长等 1.5 秒，迟到的答案不再作废。倍速 > 1× 时强制开启，1× 及以下可手动打开。
- 兜底规则

  只在请求失败、超时、答案不合法，或子弹时间关闭而答案没赶上时出手，每次都标为 FALLBACK。兜底占比高的对局，要读作「规则在打」，不是「模型在打」。

**设计原则：**算术交给代码，选择交给模型。代码算好读数、守住合法与安全，但不会拿自己的打分去推翻模型已经给出的答案——否则就成了规则在玩，模型的答案只是装饰；兜底规则出手时，每一次都明确标出来。

控制模式：模型决策手动随机启发式（可对照人手、随机与启发式，直观看出模型决策的差别）

控制台实时显示：各选项的概率与模型置信度响应延迟（均值 / p50 / p95）每次决策依据的读数采纳 / 兜底 / 迟到答案计数整局导出为 JSON

<details>

<summary>各游戏的兜底规则展开查看</summary>



兜底只在请求失败、超时、答案不合法，或子弹时间关闭而答案没赶上时出手；每一次都会在控制台里标为 FALLBACK，并与采纳次数并排显示。部分游戏的兜底是「安全贪心」（先排除必死的选项，再贪心取分），它并不弱：离线仿真里，这些游戏的规则玩家得分比模型本身更高，所以兜底占比高的对局要读作「规则在打」。

<dl>

<dt>吃豆人</dt>
<dd>安全贪心：不掉头 → 前瞻 2.2 秒内必被抓的方向排除 → 在剩下的里依次取吃到幽灵最多、吃到豆子最多、最近的豆子最近、与幽灵间距最大、保持朝向 → 固定顺序 上、左、下、右</dd>

<dt>贪吃蛇</dt>
<dd>安全贪心：去掉致命方向 → 只剩一个就走它 → 保留走完仍走得到自己尾巴的方向 → 离食物最近 → 可达空格最多 → 保持朝向 → 固定顺序 上、右、下、左；全部致命时保持朝向</dd>

<dt>俄罗斯方块</dt>
<dd>落定后堆高最低的落点 → 新增洞最少 → 按固定顺序取第一个</dd>

<dt>2048</dt>
<dd>角落优先：下 &gt; 左 &gt; 右 &gt; 上</dd>

<dt>Flappy Bird</dt>
<dd>向前推演一拍，选更靠近下一缺口中心的动作；并列时选「不拍」</dd>

<dt>恐龙游戏</dt>
<dd>见障就跳：不看障碍的类型，每个障碍都答「跳」（所以迟早死在某只高空翼龙上）</dd>

</dl>

</details>

游戏控制台里的采纳率、延迟等数字是当前这一局的实时记录，受所选模型版本、速度档与网络影响，不代表模型的一般表现。

6 款游戏均基于开源项目：1 款以上游代码为起点并做了修改，4 款参考了上游的玩法规则，引擎与界面为重写，1 款在玩法规则之外还取用了上游的素材文件。游戏画面以浏览器绘制为主、音效由浏览器合成；仅恐龙游戏取用了上游的素材文件（详见各游戏的致谢），其余未取用原版图片与音频。

<details>

<summary>开源致谢查看上游项目</summary>



- #### 吃豆人代码源自MIT [~~tetsuya-dev-jp/jev-pacman~~（在新窗口打开 GitHub 仓库）](https://github.com/tetsuya-dev-jp/jev-pacman)

  迷宫、寻路、幽灵、移动与碰撞、画布渲染、合成音效，以及模型决策控制器的最初实现；此后经过修改与扩展。

  作者 tetsuya-dev-jp
- #### 贪吃蛇玩法参考MIT [~~patorjk/JavaScript-Snake~~（在新窗口打开 GitHub 仓库）](https://github.com/patorjk/JavaScript-Snake)

  玩法规则、方向编码与方向位移常量；引擎与渲染为重写，食物放置改用可复现的种子随机数。

  作者 Patrick Gillespie
- #### 俄罗斯方块玩法参考MIT [~~jakesgordon/javascript-tetris~~（在新窗口打开 GitHub 仓库）](https://github.com/jakesgordon/javascript-tetris)

  玩法规则、七种方块的 16 位位图表与下落速度曲线；引擎与渲染为重写，随机数改用可复现的种子实现。

  作者 Jake Gordon
- #### 2048玩法参考MIT [~~gabrielecirulli/2048~~（在新窗口打开 GitHub 仓库）](https://github.com/gabrielecirulli/2048)

  玩法规则（滑动、合并、计分、终局）与键位约定；引擎与渲染为重写，配色按深色界面重新设计。

  作者 Gabriele Cirulli
- #### Flappy Bird玩法参考未声明许可 [~~CodeExplainedRepo/Original-Flappy-bird-JavaScript~~（在新窗口打开 GitHub 仓库）](https://github.com/CodeExplainedRepo/Original-Flappy-bird-JavaScript)

  仅参考玩法规则。未使用其图片与音频：画面为矢量重绘，音效为合成，代码为重写。

  作者 CodeExplainedRepo
- #### 恐龙游戏素材与玩法源自BSD-3-Clause [~~chromium/chromium~~（在新窗口打开 GitHub 仓库）](https://github.com/chromium/chromium)

  离线恐龙游戏（components/neterror/resources/dino\_game）的玩法规则、物理与障碍参数表，以及官方 1× 精灵图（原样内联，未修改）；引擎与渲染为重写，障碍序列改用可复现的种子随机数，音效为合成。

  作者 The Chromium Authors

[~~版权行与许可全文：游戏站首页「开源致谢」~~（在新窗口打开）](https://www.showapi.com/ai/jev/game/#credits)

「Pac-Man」「Tetris」「Flappy Bird」等游戏名称归各自权利人所有；开源许可只覆盖代码，不覆盖名称与商标。

</details>

把非结构化状态（文本/JSON）送进去，出来的是带校准概率的类型化决策——不是生成的字符串。

**核心押注：**很多被包装成「聊天」的需求，本质是有界空间上的结构化决策（分类、路由、打分、校验）。把这类决策从生成式模型里剥离出来单独优化，可以用极小成本换到可用精度。

状态文本 / JSON非结构化输入

决策模型：一次判断，直接输出类型化结果决策模型System One

Choice · 选项概率Score · 0–100 分Noul · P(真)

代码直接消费类型化 · 带校准概率大语言模型：逐个 token 生成，再解析大语言模型System Two

逐个 token 生成

自由文本再由代码解析

*概念借自《思考，快与慢》：System One 负责快速直觉式判断，System Two 负责缓慢深思。图为示意，非产品截图。*

<details>

<summary>官方表述、架构主张与版本别名展开查看</summary>



> Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out.

### 架构与训练主张 厂商主张，未经独立验证

- 新模型架构 + 并行采样器（parallel sampler）：所有输出在一次查询内并行产生，而非逐 token 自回归
- 训练方法 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）——直接对标 RLHF / RLVR
- 并行解码 ⇒ 端到端延迟 70–500ms；输入计费 $0.042/百万 token，输出免费
- 官方称输出结构由 schema 约束，故类型错误与结构错误在数学上不可能发生（0%）

### 版本别名会漂移

- <code>jev-latest</code> → <code>jev-1.13.0</code>：最新稳定正式版；官方 SDK 默认值
- <code>jev-preview</code> → <code>jev-1.13.0</code>：最新版本（含预览版）；当前与 jev-latest 同指

做可比测试请固定版本号（如 jev-1.13.0），不要使用会随新版本漂移的 jev-latest 别名。

</details>

### 三种原语：它能被问哪几种问题

#### Choice

示意

- 退款处理71%
- 账单争议19%
- 技术支持7%
- 其他3%

<dl>

<dt>问：</dt>
<dd>从给定选项集中选一个</dd>

<dt>答：</dt>
<dd>全部选项上的概率分布 + 选中项的置信度</dd></dl>

<details>

<summary>补充说明</summary>



选项集由调用方定义；支持基数最高 255（更高基数官方做两阶段打分再显式选择）

</details>

- 工单分类
- 意图路由
- 标签选择
- 枚举抽取

#### Score

示意

0100

72

<dl>

<dt>问：</dt>
<dd>在一组带描述的数值档位上打分</dd>

<dt>答：</dt>
<dd>沿评分档位的浮点分数</dd>

</dl>

<details>

<summary>补充说明</summary>



官方明确警告：score 的数值校准较弱，不要用它在两档之间插值还原精确数值，只适合过阈值判断

</details>

- 紧急度分级
- 严重度评分
- 风险分层

#### Noul

示意

<dl>

<dt>问：</dt>
<dd>对一个陈述给出是/否判断</dd>

<dt>答：</dt>
<dd>P(true) 的浮点概率（0–1）</dd></dl>

<details>

<summary>补充说明</summary>



名称源自 Bernoulli 分布（伯努利）。官方在 HN 上确认了该词源；文档未解释自造词曾引发社区批评

</details>

- 相关性过滤
- 垃圾/钓鱼判定
- 护栏校验
- RAG 段落筛选

### 决策模型 vs 前沿 LLM

官方对比表（厂商口径）

#### 单次调用延迟

厂商口径

对数刻度，每格 ×10 · 越短越好

大语言模型3–329 秒

决策模型70–500 毫秒

#### 输入价格（每百万 token）

厂商口径

对数刻度，每格 ×10 · 越低越好

大语言模型$0.20–$10 ≈ ¥1.4–¥72

决策模型$0.042 ≈ ¥0.3

<details>

<summary>九个维度对比表（官方对比表，厂商口径）展开查看</summary>



决策模型与前沿 LLM 九维对比

| 维度 | 前沿 LLM（GPT-5.6 / Opus 5 一类） | Jev（System One） |
| --- | --- | --- |
| 优化方法 | RLHF / RLVR（人类偏好 / 可验证奖励） | RLCD（校准决策强化学习） |
| 优化目标 | 人类评分者偏好的聊天与写作；可被程序验证的输出 | 在 System One 任务上给出「认知诚实」的概率 |
| 输入侧重 | 非结构化数据，强调顺序消息 | 非结构化数据，强调结构化程序状态 |
| 输出 | 字符串（需解析 + 校验；可能幻觉/拒绝/跑偏） | 类型安全的结构化值（输出空间预定义；全量概率 + 置信度） |
| 采样 | 顺序式，逐 token、以上一个 token 为条件 | 并行式，单次查询生成全部输出；硬件感知、极高效率 |
| 成本 | 输入 $0.20–$10 / Mtok；输出约为输入 5 倍 | 输入 $0.042 / Mtok；输出免费 |
| 速度 | 端到端 3–329 秒 | 端到端 70–500 毫秒（同等级 System One 任务下快 40×–200×） |
| 置信度 | 被要求也往往过度自信且不一致；无法说明自己何时处于 5% 失败区 | 每个输出都带置信度；校准：更高置信度对应更高准确率；对相近输入更一致 |
| 典型用途 | 人机协同（聊天、copilot、编码 agent）、可验证问题、原型、需要理由的多步推理 | AI 工作流 / 智能 if 语句、大数据 map-reduce、实时应用、LLM 输出校验与护栏 |

</details>

### 请求长什么样

一次请求可以同时问多个问题，每个问题声明自己的类型；返回值是类型安全的结构化结果。以下为官方示例（接口：`POST https://api.typesafe.ai/v1/systemone`）。

```
import requests

response = requests.post(
    "https://api.typesafe.ai/v1/systemone",
    headers={"Authorization": "Bearer YOUR_KEY"},
    json={
        "model": "jev-latest",
        "state": "Customer emailed twice this week about a failed refund...",
        "questions": {
            "category": {"type": "choice", "options": ["billing", "technical", "sales"]},
            "urgency": {"type": "score", "min": 0, "max": 100},
        },
    },
)
print(response.json())
```

### 官方定义的场景（4 类）

官方口径

#### AI 工作流 / 智能 if 语句

结构化输出像「模糊决策规则」插进普通软件：分类、路由、打分、抽取、分支，替代过于脆弱的硬编码逻辑。

#### 大数据的 map-reduce

把海量数据转成特征与洞察；官方发布文章举例，给 5000 万行评论打分约 $20。

#### 实时应用

低延迟让 AI 可以进入对响应时间敏感的用户路径。

#### 校验一切

对 LLM 的 prompt、推理链、输出做打分、评判、验证、护栏与越狱检测。

### 按应用领域浏览（14 类）

分类沿用社区 awesome-jev

图块下方的刻度越满，社区收录的示例越多；点击图块查看适配说明与示例。

分类与路由 5 个示例 校验与护栏 4 个示例 打分与排序 2 个示例 自适应与实时界面 2 个示例 Agent 决策 4 个示例 数据标注与治理 2 个示例 评估与基准 3 个示例 校准与研究 3 个示例 基础设施 / SDK / 集成 4 个示例 游戏与仿真 7 个示例 机器人与物理世界 2 个示例 金融与交易 3 个示例 合规与法务 2 个示例 内容审核 2 个示例

#### 分类与路由

Classification & Routing

**适配说明：**最强场景。有界标签集上的语义判断

- [Notra（生产环境）](https://github.com/usenotra/notra)

  营销 GEO 平台用 NOTRA\_JEV\_CLASSIFIERS 开关把品牌可见度分类器从 LLM 换到 Jev 的 Boolean 决策，阈值 0.5，目标 p50 300ms
- [jev-router](https://github.com/gargpratyush/jev-router)

  让 Jev 在候选模型里挑最便宜可用的，把 Claude Code 任务路由过去
- [jev-cookbook](https://github.com/nexibeo/jev-cookbook)

  15 个可运行 Node 配方：工单路由、文档归档、银行流水归类、Gmail 打标，低置信度转人工
- [typesafe-jev CV screener](https://github.com/gtaras7/typesafe-jev)

  按可编辑策略对一文件夹简历做类型化判断，策略变更后免费重打分
- [jev-logtriage](https://github.com/jyatesdotdev/jev-logtriage)

  把折叠后的 Loki 日志合成一次调用（Noul+Score+Choice），代码把答案映射为抑制/观察/复核/通知/告警，低置信度走复核且不执行任何动作

### 适合：有界选项空间里的判断

- 有界选项空间上的语义判断（分类、路由、打分、是/否核对）
- 高频、大批量、单次成本敏感的决策（map-reduce over big data）
- 实时应用内决策（70–500ms 落在请求路径内）
- 作为 LLM 的护栏 / 验证层（复核 prompt、推理链、输出；检测越狱）
- 按置信度阈值分流：高置信自动执行，低置信交人工或慢模型

### 官方明确不建议的用法

- 问模型任何代码能精确算出的东西
- 把一个问题的多个判断藏在一起（应拆成原子问题）
- 让它做 System Two 任务（更多层间接推理）
- 给 state 塞超出问题所需的上下文（context rot 会吃掉准确率）

### 9 类已知失败模式

官方自陈

1字面理解2数学与数字3日期时间比较4多跳与间接性5无关细节堆砌的大 state6对抗内容7指令与判据冲突8Choice 选项顺序9文本生成

失败模式 1 / 9

#### 字面理解

只回答你写下的问题，不回答你想问的问题；限定词、否定、隐含条件按字面处理

**规避：**把确切条件写进 instructions，边界情况写进 criteria；必要时拆成两个字面问题在代码里组合

官方 Jev API≈ ¥0.3$0.042

万维易源 JevK5¥0.1

JevK5 输入单价

约 1/3

官方价 · 省约 67%

官方价按 1 美元≈7.2 元折算，仅供比较；比较的是输入 token 单价，两者模型规模与能力不同。

### 成本换算：一百万次决策约多少钱

估算

- 每次输入约 500 token

  短问题（如单条分类）

  省 ¥101官方 Jev API≈ ¥151$21.00万维易源 JevK5¥50
- 每次输入约 2,000 token

  常规 state 加一个问题

  省 ¥405官方 Jev API≈ ¥605$84.00万维易源 JevK5¥200
- 每次输入约 8,000 token

  长 state 加多个问题

  省 ¥1,619官方 Jev API≈ ¥2,419$336.00万维易源 JevK5¥800

官方价按 1 美元≈7.2 元折算，仅供比较；比较的是输入 token 单价，两者模型规模与能力不同。只计输入 token（输出不计费），未含重试、网络与工程成本。官方承认无法证明当前定价没有补贴，长期价格以官方为准。

### jev-1.13.0 官方规格

官方口径

- 输入价格

  $0.042/ 百万 token

  ≈ ¥0.3 · 约 $42.00 / 十亿 token
- 输出价格

  免费

  too cheap to meter
- 单次上下文

  64Ktoken / 次

  state 加最长问题 ≤ 32K
- 限速

  100Ktoken / 秒

  80 请求 / 秒
- 输入类型

  text · JSON object · array of text values

  不支持：image、audio、video、binaries（需先转成文本或结构化字段）
- 语言支持

  英文为主要训练语言、精度最高

<details>

<summary>完整规格表（含定制方式与数据处理）展开查看</summary>



官方规格与价格

| 项目 | 内容 |
| --- | --- |
| 模型版本 | jev-1.13.0 做可比测试请固定版本号（如 jev-1.13.0），不要使用会随新版本漂移的 jev-latest 别名。 |
| 输入价格 | $0.042 / 百万 token ≈ ¥0.3 / 百万 token（按 1 美元≈7.2 元折算）；约 $42.00 / 十亿 token |
| 输出价格 | 免费（too cheap to meter） |
| 单次请求上下文 | 64,000 token 其中 state 加最长问题 ≤ 32,000；state 只被摄入一次，所有 question 并行对其求值 |
| 限速 | 100,000 token/秒 · 80 请求/秒 官方声明限速在动态调整中，可能随 GPU 供给变化而不另行通知；超限返回 429，官方 SDK 默认带退避重试并遵守 retry-after。更高限额需联系销售。 |
| 输入类型 | text、JSON object、array of text values 不支持：image、audio、video、binaries（需先转成文本或结构化字段） |
| 语言支持 | 英文为主要训练语言、精度最高；其他语言（含 CJK）可用但精度不等。官方建议非英文负载先自测，并重点关注 confidence |
| 定制方式 | 不做客户数据微调 / LoRA；同一权重服务所有账号。领域适配靠请求里的 state / instructions / criteria，以及把大判断拆成原子问题后在代码里组合 |
| 数据处理 | 不用客户请求/响应训练；企业版提供零数据保留（ZDR） |

</details>

官方口径3官方演示厂商自评3官方评测独立第三方4第三方实测社区12社区实验

条形长度为各类案例的数量占比，不代表可信度高低。

厂商自建演示，说明能力形态，不代表独立验证结果。

- #### Doom 实时决策演示

  场景：以约 10 次/秒的节奏反应式游玩 Doom

  方法：输入是结构化的游戏状态（文本形式的数据结构），不是图像；由代码把答案转成游戏动作<dl><dt>决策频率</dt><dd>约 10 次/秒</dd><dt>成本估算</dt><dd>约 $7/小时</dd><dt>说明</dt><dd>官方坦承非 AI 的 doom bot 能玩得更好；重点在「对不同的游戏状态表征都能反应」与「能遵循指令」</dd></dl>
  - 演示基于结构化状态而非像素（官方标注「（yet…）」表示未来可能做图像）

  来源：TypeSafe AI Blog
- #### Wikiracing 高基数选择演示

  场景：从某个维基页面出发，只用沿途链接抵达指定目标页面

  方法：每一步在数百到数千个链接中做选择<dl><dt>说明</dt><dd>用来展示「每秒智能」以及高基数选择下不幻觉带来的复利收益；Jev 支持基数上限 255，更高基数时官方采用两阶段（先独立打分再显式选择），偶有变慢</dd></dl>
  - 该演示对比的是各模型的非推理模式（Astra 除外设为最低推理档），因此加速幅度明显小于其他演示；Jev 反而用更少步数完成

  来源：TypeSafe AI Blog
- #### 并行采样 vs 自回归 对照演示

  场景：同一 state 与同一组 questions，对比 Jev 与 GPT-5.6 Terra

  方法：Jev 并行输出全部概率，LLM 自回归逐 token 生成<dl><dt>说明</dt><dd>公开记录中唯一分歧点是「Churn likelihood level」——官方认为该答案本身确实含糊</dd></dl>
  - query 高度简化，questions 特意选择了可读的 key 以便屏幕展示；state 是短而密的段落，相对更短的输入对 Jev 更有利

  来源：TypeSafe AI Blog

### 发布与生态时间线

最新在前；日期精度以来源为准。横向滚动或点击下方圆点定位。

- 榜单
- 生态
- 媒体
- 独立评测
- 开源
- 社区
- 发布
- 先行研究

1. 2026-10-05榜单 #### JevBench 成本规则调整：所有系统用同一批 items 计量

   成本改为对每个系统使用同一批 items 计量（排除超出官方 Jev 参照输入范围的条目），估算与价目表口径仍分别标注；同期榜单分为开放权重榜与托管 API 榜，官方 Jev 作为参照系。
2. 2026-10-02生态 #### TypeSafe 修订能力边界文档：新增「Choice 选项顺序」失败模式

   官方 jaggedness 文档（Applies to jev-1.13，Last reviewed 2026-10-02）把第 8 类失败模式由「常识性结构不变式」替换为「Choice 选项顺序」，官方建议重排选项复核答案一致性；同时把限速由 250,000 token/秒 + 1,200 请求/分钟 改为 100,000 token/秒 + 80 请求/秒。
3. 2026-09-28生态 #### 自托管部署路径公开

   Red Hat Developers 发布《Run decision models on vLLM and Red Hat AI》，说明决策模型类模型的自托管部署方式。
4. 2026-09-27榜单 #### JevBench 榜单快照：开源小模型分数超过官方 Jev

   2026-09-27 生成的榜单快照里，Imajev-4B、Plumb-4B、decider-4b v2 等开源小模型的综合分已超过官方 Jev。该榜单口径为「20% 来自全新封存决策的校正 Intelligence + 80% 来自 v1.3.0 Intelligence 轴」的混合；随后的版本更换了决策集与计分口径，各版本分数不可并列比较。
5. 2026-09-26榜单 #### 榜单显示层修正（无测量与排名变化）

   JevBench 应运营方请求做显示层修正（Autoloops 托管的 Gemma 系统改名；无任何测量、分数、轴、排名变化）。
6. 2026-09-25榜单 #### JevBench 冻结 v1.5 方法：决策集翻倍、头条指标改为 capability

   评测方冻结 v1.5 方法：每轮决策集大幅扩充；头条指标改为 capability（Intelligence 与 Calibration 的算术平均），并新增成本上限与中位时延上限——超限的模型只有分数、没有名次。
7. 2026-09-23媒体 #### 开源替代清单成型

   DataCamp 发布《Top 7 Open-Source TypeSafe Jev Alternatives》，把 Laya、Von、NanoJev 列为最有意思的小型专用决策模型。
8. 2026-09-22生态 #### 工程集成加速

   Simon Willison 发布 llm-typesafe（给 LLM CLI 加 Jev 支持）；kev 项目（Qwen 3.5 基座的 0.8B/4B/9B 复刻）在 HN 引发新一轮讨论（id=49783999）。同期 JevBench 陆续纳入 Open-Jev 等开源复刻与一批 reranker。
9. 2026-09-21独立评测 #### 独立评测与开源对比集中出现

   Simon Willison 发布《Jev introduces a new shape of LLM—System One, aka Decision Models》：解释三种原语（确认 Noul=Bernoulli）、指出黑盒与偏见风险、分享检索重排实验。Flowtivity 发布《Laya: The Open-Source Jev Alternative, Benchmarked Honestly》，逐项对照 Jev 并在无 GPU 的 CPU VPS 上自测 Laya。
10. 2026-09-20榜单 #### 榜单修正：服务型条目只列不排名

    JevBench 确立新规则——运行他人模型的服务只列出全部数字但不参与排名（classifier.dev 的 fast tier 就是 Jev，故移出排名）。同期榜单陆续纳入 Laya、jeff、GLiNER2、openJev Verdict 等多个系统。
11. 2026-09-19榜单 #### JevBench 方法学落定

    benchmarkheaven 的 JevBench 在同一天发布 v1.1 与 v1.2 系列修订：v1.1 引入 easy tier 与三项子基准；v1.2 改为智能、校准、速度、成本四轴的几何平均，速度与成本越差扣分越多，并对自托管端点施加延迟调整。
12. 2026-09-18开源 #### Laya 开源发布（发布后第 3 天）

    Convai Innovations 以 Apache-2.0 发布 Laya 决策模型家族（421M ModernBERT-large + 决策头，另有 multilingual 322M / typed-decisions 两个 checkpoint），提供完整 safetensors、内置脚本路由与 pip 安装。同期的 MindStudio 分析把 Jev 解释为「跳过 token 生成的非自回归 System-1 模型」。
13. 2026-09-17生态 #### 生态指南出现

    LangChain 发布《What Is Jev? A Guide to TypeSafe AI's System One Model》（如何在 agent loop 中使用）；dev.to 出现实践指南。
14. 2026-09-16媒体 #### 首批媒体分析与独立评测启动

    DataCamp 发布《Jev: TypeSafe's System One Model That Never Hallucinates》，整理 4-workflow 准确率（Jev 67.8% vs Terra 67.9% / Sol 74.1% / Opus 5 73.1%）与结构化输出错误率对比，并明确标注为厂商数据、待独立复现。
15. 2026-09-15社区 #### Hacker News 发布帖

    「Introducing System One Models and Jev」登上 HN（1,800+ 分、约 480 条评论）。社区争论集中在「类型安全 ≠ 事实正确」、标题夸大、Doom demo 用结构化状态、闭源黑盒。创始人账号 CompleteSkeptic / zenlikethat 高频回复。
16. 2026-09-15发布 #### Jev 发布：System One 模型问世

    TypeSafe AI 发布首个 System One 模型 Jev（早期访问）。提出 RLCD 训练方法、并行采样架构；宣称同等级 System One 任务下快 40×–200×；输入 $0.042/Mtok、输出免费；输出类型安全、可带校准概率。创始人 Diogo Almeida。
17. 2025-03先行研究 #### 被主张的先行研究

    独立研究者 Nandakishor Mukkunnoth 发布 arXiv:2503.23303（强化学习驱动的销售转化决策）；2025-09 发布后续 arXiv:2510.01237，形式化「RL 引导的 schema 化决策」。Laya 作者据此主张思路先行。

### 基本概念

<details>

<summary>

#### 什么是 System One 模型？

</summary>

TypeSafe 提出的一类模型：做快速、结构化、可被软件直接消费的决策，而不是生成文本。名字借自 Daniel Kahneman《思考，快与慢》里「快速直觉的 System 1」与「缓慢深思的 System 2」之分。

来源：TypeSafe AI Blog

</details>

<details>

<summary>

#### 「Jev」这个名字从哪来？

</summary>

取自 William Stanley Jevons。官方类比：蒸汽机效率提升最终让煤炭需求上升——智能成本每降一个数量级，会解锁数量级更多的用例（杰文斯悖论）。

来源：TypeSafe AI Blog

</details>

<details>

<summary>

#### Jev 是 LLM 吗？

</summary>

不是。它接受文本输入，但输出是浮点数与概率分布（对应分类、是/否、评分），不做字符串生成。官方把它描述为「frontier-intelligence function call：非结构化状态进，类型化概率决策出」。

来源：TypeSafe AI Blog、simonwillison.net

</details>

<details>

<summary>

#### 它可以问哪几种问题？

</summary>

三种原语。Choice：从给定选项里选一个，返回全部选项上的概率分布 + 选中项置信度。Score：沿一组带描述的数值档位打分。Noul：对一个陈述给出 P(true) 的浮点概率——「Noul」源自 Bernoulli（伯努利）分布。

来源：simonwillison.net、TypeSafe AI Blog

</details>

<details>

<summary>

#### 它需要图像输入吗？

</summary>

不需要也不支持。官方明确：输入仅文本（字符串、JSON 对象或文本数组），无图像、音频、视频。非文本输入需先转成文本或结构化字段再作为 state 发送。社区惯用做法是把程序状态（坐标、距离、枚举）作为结构化读数传入。

来源：TypeSafe AI Docs、TypeSafe AI Blog

</details>

<details>

<summary>

#### Jev 会被客户数据微调吗？

</summary>

不会。不做微调、不做 LoRA，同一份权重服务所有账号。领域适配靠请求里的 state / instructions / criteria，以及把大判断拆成原子问题后在代码里组合。官方也声明不用客户请求与响应训练。

来源：TypeSafe AI Docs

</details>

### 能力与边界

<details>

<summary>

#### Jev 最强的地方在哪？

</summary>

有界选项空间上的语义判断：分类、路由、打分、是/否核对，尤其是高频、大批量、单次成本敏感的场景；以及作为 LLM 的校验与护栏层。

来源：TypeSafe AI Blog、DataCamp

</details>

<details>

<summary>

#### 它不能做什么？

</summary>

官方「不要做」清单：问它任何代码能精确算出的东西；把多个判断藏进一个问题；让它做 System Two 任务（更多层间接推理）；给 state 塞超出问题所需的上下文。另外它是字面理解、不擅长数学与计数、把日期当文本读、不适合生成文本。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### 它能做算术吗？

</summary>

不能可靠地做。官方原话：Jev 不是计算器，强烈建议任何数学逻辑都在代码里实现。计数尤其不可靠（字符数、词频、长列表项数），且误差随规模增长——它会识别答案的「形状」而不是真的在数。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### 处理日期时间靠谱吗？

</summary>

不可靠。它把日期当文本而不是有序量，判断先后、间隔、是否落在窗口内都会出错，混格式与季度/结算窗口等业务边界更糟。官方建议：抽取交给模型（每个部分都是小闭集，可用 Choice 枚举 + 显式「未给出」选项），排序、时长、偏移、星期一律由代码负责。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### 为什么 state 越大准确率越低？

</summary>

官方称之为 context rot：与决策无关的内容充当干扰项，且大 state 让你更难定位是哪部分输入导致了错误答案。建议先在代码里检索过滤，只送问题需要的字段；无法过滤时可用一个 Noul 先做相关性过滤。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### 同一个问题问成 Noul 和 Choice，结果一致吗？

</summary>

不保证。官方在 2026-09-29 的文档版本里给过实测：对同一张工单问「客户是否在要求退款」，Noul 给 0.22，yes/no Choice 给 yes 0.01 / no 0.99 / 置信度 0.97；同一问题与其否定的两个 Noul 之和也可能不为 1（实测 0.72 + 0.47 = 1.19）。该条目已在 2026-10-02 的官方修订中移除，但结论仍值得注意：不要把 Noul 上标定的阈值搬到 Choice，也不要对分开的问题施加算术恒等式。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### Choice 的选项顺序会影响答案吗？

</summary>

会（官方 2026-10-02 起明确列为失败模式）。官方观察到在某些情况下选项顺序会影响答案，模型偏向排在第一个的选项。做法：把选项重排后问一次，确认答案一致；阈值与评测都应在多种排列下复现过再上线。榜单早期版本也记录过开源小模型在选项反序时准确率从 72% 掉到 21%，属同一类敏感。

来源：TypeSafe AI Docs、GitHub

</details>

<details>

<summary>

#### 支持中文吗？

</summary>

支持但不保证精度。官方：英文是主要训练语言、当前准确率最高；其他语言（含 CJK）可用但精度不等，建议非英文负载先用自己的内容测试，并重点关注置信度。

来源：TypeSafe AI Docs

</details>

### 与其他模型对比

<details>

<summary>

#### Jev 和 GPT-5.6 / Opus 5 比谁更强？

</summary>

取决于任务是否「有界」。厂商自评的 4-workflow 决策准确率：Jev 67.8%、GPT-5.6 Terra 67.9%、GPT-5.6 Sol 74.1%、Claude Opus 5 73.1%。也就是说 Jev 与 Terra 基本持平，而 Sol / Opus 5 保持 5–6 个百分点的真实优势；但 Jev 每案例成本约为 Terra 的 1/76、快约 25×。需要峰值准确率或需要理由时，LLM 仍胜出。

来源：DataCamp（厂商自评数据）

</details>

<details>

<summary>

#### 有开源替代吗？

</summary>

有，而且已成规模。第三方榜单 JevBench 收录了大量开放权重模型和少量托管 API，其中不少开放权重小模型已进入前列；早期知名的 Laya 与 kev 家族也在榜上（引用当时成绩的榜单快照见榜单快照页）。万维易源已上线兼容官方 SDK 的开源决策模型 JevK5（4B），可以直接调用对照，能力与官方 Jev 不同，建议先用自己的样本测试。

来源：Benchmark Heaven、GitHub

</details>

<details>

<summary>

#### 开源替代已经能超过 Jev 了吗？

</summary>

在 JevBench 的独立协议下，开放权重模型已进入前列，个别型号的综合分甚至排在官方模型之前，但这不等于在你的场景里一定更好：该榜曾跨大版本，决策集与头条指标都变了，两版分数不可比；自托管端点的延迟还被统一施加假设性调整；成本列多为估算。反方向看，Laya 官方报告称自己在 2,000 条 typed decisions 上以 0.766 胜过 Jev 的 0.727，而 JevBench 独立测得 Laya 排名靠后。结论：换模型时要连口径与版本一起看，并用自己的样本测试。

来源：Benchmark Heaven、competitors、Flowtivity

</details>

<details>

<summary>

#### 这和已有的 JSON schema 约束解码有什么区别？

</summary>

这是 HN 上最常见的质疑：OpenAI 与 Anthropic 的 JSON schema 背后本来就是语法约束解码，类似机制几年前就有（BNF / constrained decoding）。支持方回应：可用 schema 约束 LLM 输出，但 Jev 能「可靠地每次选对类别」；且官方强调 Jev 输出的是「模型自己的概率分布」而非「被要求写出来的概率」。JevBench 也把这两者分开标注为 native 与 verbalized。

来源：Hacker News、GitHub

</details>

### 定价与可用性

<details>

<summary>

#### 万维易源的 JevK5 决策模型 API 怎么收费？比 Jev 官方便宜吗？

</summary>

JevK5 决策模型 按实际消耗的输入 token 计费，输出不计费，当前输入价 ¥0.1 / 百万 token（以平台规格为准）。官方 Jev 的输入价为 $0.042 / 百万 token，按 1 美元≈7.2 元折算约 ¥0.3。折算后 JevK5 决策模型 的输入单价约为官方价的 1/3（省约 67%）。注意：这里只比较输入 token 单价；JevK5 是 4B 开源小模型，能力与官方 Jev 不同，建议先用自己的样本测试再上线。

来源：TypeSafe AI Docs（官方价）

</details>

<details>

<summary>

#### Jev 怎么收费？

</summary>

按输入 token 计费：$0.042 / 百万 token（约 $42 / 十亿），输出 token 免费。官方称输出「便宜到无需计量」。工作流层面约 $0.0004 / 案例。

来源：TypeSafe AI Docs、DataCamp

</details>

<details>

<summary>

#### 怎么获得访问权限？

</summary>

托管 API，早期访问需等候名单（waitlist）。端点 POST https://api.typesafe.ai/v1/systemone，模型路由 jev-latest，提供官方 Python 与 JavaScript SDK。也已有 OpenRouter（beta）、Cloudflare AI Gateway、Vercel AI Gateway 等第三方接入。

来源：DataCamp、GitHub

</details>

<details>

<summary>

#### 有速率限制吗？

</summary>

有，且官方声明在动态调整中。当前：250,000 token/秒、1,200 请求/分钟；超限返回 429，官方 SDK 默认带退避重试并遵守 retry-after。更高限额需联系销售。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### 上下文窗口多大？

</summary>

每请求 64k token；其中 state 加最长单个问题合计 32k token。state 只被摄入一次，所有问题并行对其求值——所以塞很多问题进去总耗时与只问一个相近。

来源：TypeSafe AI Docs

</details>

<details>

<summary>

#### $0.042 这个价格可持续吗？

</summary>

官方坦承无法证明定价未获补贴，需要长期来验证可持续性，但预期价格会下降而非上升。这也是第三方（DataCamp）列出的两个待解问题之一。

来源：TypeSafe AI Blog、DataCamp

</details>

### 接入与工程

<details>

<summary>

#### 怎么把 Jev 接进已有系统？

</summary>

官方推荐三种方式：把专有内容、记录与参考资料放进 state；把领域规则与边界情况写进每个问题的 instructions 和 criteria；把宽泛判断拆成原子问题后在代码里组合结果。社区生态里已有网关插件（new-api 的 /v1/systemone）、CLI 插件（llm-typesafe）、数据库扩展（PostgreSQL / DuckDB）等形态。

来源：TypeSafe AI Docs、GitHub

</details>

<details>

<summary>

#### 怎么决定哪些决策交给 Jev、哪些留给 LLM？

</summary>

按「有界 vs 开放」拆。有界决策（分类、路由、打分、护栏）交给 Jev；开放式输出、需要书面解释、需要多步推理的交给前沿 LLM。Jev 的校准让交接干净——可基于置信度阈值把案例升级上去。

来源：DataCamp

</details>

<details>

<summary>

#### 能否直接用 Jev 官方 SDK 调用万维易源的类 Jev API？

</summary>

可以。平台的 JevK5 决策模型 API 兼容 Jev 官方请求格式：官方 JavaScript / Python SDK 只需把 Base URL 改为 https://jev.showapi.com、API key 改为万维易源的 appKey、model 改为 JevK5-V0.3，其余代码不用动；Python SDK 也可以只设置环境变量 TYPESAFE\_BASE\_URL。同一个 appKey、同一份资源包同样适用网关调用方式，计费规则相同。注意这是万维易源的自有服务，并非 Jev 官方服务。

来源：本站数据整理

</details>

### 质疑与争议 存在争议

以下问题存在不同观点，答案整理自公开资料，请结合来源自行判断。

<details>

<summary>

#### 「不会幻觉」的说法成立吗？

</summary>

这是 HN 上最激烈的争论点。社区主流反驳：「类型安全不等于事实正确」（type safety is not factual correctness）——对未授权操作的 approve 仍然满足 schema 保证。官方的 0% 也不是经验测量，而是由 schema 匹配保证，因此可以直接写进图里。官方在承认这些局限的同时为更广泛的可靠性宣传做了辩护。

来源：Hacker News

</details>

<details>

<summary>

#### 为什么有人批评 Doom 演示「作弊」？

</summary>

因为输入不是像素，而是结构化游戏状态（坐标、弹道角度等直接喂入），且地图路径被加工。官方也在博客里标注了「demo 基于结构化状态而非图像（yet…）」。支持方的回应是：演示的重点是展示「从状态到动作快到能实时游玩」，这是其他模型做不到的。

来源：Hacker News、TypeSafe AI Blog

</details>

<details>

<summary>

#### Jev 会给理由吗？能审计吗？

</summary>

不能。它只给数字，不给自然语言解释。Simon Willison 认为这让 ML 更「黑盒」——如果一个内容被判为垃圾，无法知道是哪些信号导致的；偏见问题因此需要前置关注。DataCamp 也指出这对调试与受监管领域审计是真实约束，实用做法是把 Jev 留在高吞吐路由层，把低置信或标记案例升级到能写解释的模型。

来源：simonwillison.net、DataCamp

</details>

### 免责声明

本页为万维易源整理的第三方技术专题，与 TypeSafe AI 无隶属、合作或背书关系；Jev 为 TypeSafe AI 的产品名称。JevBench 由 Benchmark Heaven 独立运营。页面内容整理自公开资料，整理于 2026-10-10，此后不定期补充，请以各来源最新信息为准。平台提供的类 Jev 开源决策模型 API 为万维易源自有服务，并非 Jev 官方服务。

署名：万维易源 AI 技术团队 [~~发现错误或需要补充的内容？欢迎反馈~~（在新窗口打开）](https://www.showapi.com/island/feedback)

[榜单快照第三方榜单 JevBench 引用当时成绩的存档页，不再定期同步；实时榜单请见榜单方官网。](https://www.showapi.com/ai/jev/bench)

### 来源概览（24 个来源 · 22 篇延伸阅读）

按类型

- 官方与厂商 6
- 独立评测与数据 5
- 媒体、专家与教程 7
- 社区与精选列表 6

可信度分级（本站对来源的评估）

- 高 9
- 中高 4
- 中 11

<details>

<summary>来源登记（24）展开查看完整登记表</summary>



数据来源登记

| 来源 | 发布方 | 类型 | 可信度 | 发布日期 |
| --- | --- | --- | --- | --- |
| [Introducing System One Models &amp; Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev) | TypeSafe AI Blog | 官方 | 高 | 2026-09-15 |
| [Models](https://docs.typesafe.ai/models) | TypeSafe AI Docs | 官方文档 | 高 | — |
| [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13) | TypeSafe AI Docs | 官方文档 | 高 | — |
| [Introduction](https://docs.typesafe.ai/introduction) | TypeSafe AI Docs | 官方文档 | 高 | — |
| [JevBench v1 (fstandhartinger/jevbench)](https://github.com/fstandhartinger/jevbench) | GitHub | 独立评测 | 高 | — |
| [jevbench-v1.4.2.2-results.json](https://raw.githubusercontent.com/fstandhartinger/jevbench/main/results/v1.4.2.2/jevbench-v1.4.2.2-results.json) | GitHub raw | 数据集 | 高 | — |
| [JevBench live board](https://benchmarkheaven.com/jev-models) | Benchmark Heaven | 独立评测 | 高 | — |
| [Jev: TypeSafe's System One Model That Never Hallucinates](https://www.datacamp.com/blog/system-one-models-jev) | DataCamp | 媒体分析 | 中高 | 2026-09-16 |
| [Top 7 Open-Source TypeSafe Jev Alternatives](https://www.datacamp.com/blog/top-open-source-jev-alternatives) | DataCamp | 媒体分析 | 中高 | 2026-09-23 |
| [Jev introduces a new shape of LLM—System One, aka Decision Models](https://simonwillison.net/2026/Sep/21/jev/) | simonwillison.net | 专家博客 | 高 | 2026-09-21 |
| [Laya: The Open-Source Jev Alternative, Benchmarked Honestly](https://flowtivity.ai/blog/laya-open-source-jev-alternative/) | Flowtivity | 媒体分析 | 中高 | 2026-09-21 |
| [Jev Decision Index](https://huggingface.co/spaces/multimodalart/jev-decision-index) | Hugging Face Space (multimodalart) | 社区工具 | 中 | — |
| [awesome-jev (yibie)](https://github.com/yibie/awesome-jev) | GitHub | 精选列表 | 中高 | — |
| [awesome-jev-by-typesafe (Anil-matcha)](https://github.com/Anil-matcha/awesome-jev-by-typesafe) | GitHub | 精选列表 | 中 | — |
| [Introducing System One Models and Jev (Hacker News)](https://news.ycombinator.com/item?id=49717558) | Hacker News | 社区讨论 | 中 | 2026-09-15 |
| [Jev tutorials and demos — YouTube videos about Jev](https://madewithjev.com/videos) | madewithjev.com | 视频聚合 | 中 | — |
| [YouTube videos about Jev](https://devwithjev.com/tutorials) | devwithjev.com | 视频聚合 | 中 | — |
| [What Is Jev? A Guide to TypeSafe AI's System One Model](https://www.langchain.com/blog/building-a-harness-with-jev) | LangChain Blog | 厂商博客 | 中 | 2026-09-17 |
| [Run decision models on vLLM and Red Hat AI](https://developers.redhat.com/articles/2026/09/28/run-decision-model-vllm-and-red-hat-ai) | Red Hat Developers | 厂商博客 | 中 | 2026-09-28 |
| [Typesafe AI's Non-Autoregressive System-1 Model](https://www.mindstudio.ai/blog/jev-system-one-model-launch) | MindStudio | 媒体分析 | 中 | 2026-09-18 |
| [How to Use Jev: A practical guide](https://dev.to/valyuai/how-to-use-jev-a-practical-guide-to-typesafes-system-one-model-g5e) | dev.to | 教程 | 中 | 2026-09-17 |
| [What Is Jev AI? A Beginner's Getting-Started Guide](https://app.therundown.ai/guides/what-is-jev-ai-getting-started) | The Rundown AI | 教程 | 中 | 2026-09-22 |
| [LLM Leaderboard &amp; AI Model Benchmarks](https://benchlm.ai/) | benchlm.ai | 榜单 | 中 | — |
| [JevBench API（/api/jevbench）](https://benchmarkheaven.com/api/jevbench/latest) | Benchmark Heaven | 数据集 | 高 | — |

</details>

<details>

<summary>延伸阅读（精选 22）展开查看</summary>



- [Introducing System One Models &amp; Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev)

  Diogo Almeida (TypeSafe) · 2026-09-15 · 英文

  一手定义来源：RLCD、对比表、Doom/Wikiracing 演示、FAQ
- [TypeSafe AI](https://typesafe.ai/)

  英文

  首页宣称 193.6× 更快 / 444.6× 更便宜
- [Documentation — Introduction](https://docs.typesafe.ai/introduction)

  英文
- [Models（规格 / 定价 / 限速 / 别名）](https://docs.typesafe.ai/models)

  英文
- [Jev 1.13 jaggedness（9 类失败模式）](https://docs.typesafe.ai/model-jaggedness/jev-1.13)

  英文

  「适用范围」章节的核心依据
- [API reference](https://docs.typesafe.ai/api)

  英文
- [SDKs（Python / JavaScript）](https://docs.typesafe.ai/sdk)

  英文
- [Concepts — System One](https://docs.typesafe.ai/concepts/system-one)

  英文
- [TypeSafe Console（Playground / API Keys）](https://console.typesafe.ai/)

  英文

  申请 key 与试用
- [JevBench live board（可自定义权重）](https://benchmarkheaven.com/jev-models)

  Benchmark Heaven · continually updated · 英文

  专题页对比图的权威数据源之一
- [fstandhartinger/jevbench](https://github.com/fstandhartinger/jevbench)

  英文

  方法学、修订日志、逐轮结果 JSON；MIT
- [Jev Decision Index（HF Space）](https://huggingface.co/spaces/multimodalart/jev-decision-index)

  multimodalart · 英文

  开源复现版在 5 个能力维度的对比（表格 + 雷达图）
- [Jev: TypeSafe's System One Model That Never Hallucinates](https://www.datacamp.com/blog/system-one-models-jev)

  DataCamp · 2026-09-16 · 英文
- [Top 7 Open-Source TypeSafe Jev Alternatives](https://www.datacamp.com/blog/top-open-source-jev-alternatives)

  DataCamp · 2026-09-23 · 英文
- [Jev introduces a new shape of LLM—System One, aka Decision Models](https://simonwillison.net/2026/Sep/21/jev/)

  Simon Willison · 2026-09-21 · 英文

  最被信赖的独立技术视角，含黑盒批评
- [Laya: The Open-Source Jev Alternative, Benchmarked Honestly](https://flowtivity.ai/blog/laya-open-source-jev-alternative/)

  Flowtivity · 2026-09-21 · 英文

  Jev vs Laya 逐项对比 + CPU VPS 自测，口径差异的最佳素材
- [Hacker News launch thread](https://news.ycombinator.com/item?id=49717558)

  2026-09-15 · 英文

  1,800+ 分、约 480 评论；FAQ 中「争议」一节的依据
- [What Is Jev? A Guide to TypeSafe AI's System One Model](https://www.langchain.com/blog/building-a-harness-with-jev)

  LangChain · 2026-09-17 · 英文

  如何在 agent loop 中使用 Jev
- [awesome-jev（yibie，1.9k stars / 292 forks）](https://github.com/yibie/awesome-jev)

  英文

  按应用域归类；含明确的「收录≠背书」声明与同日批量提交警示
- [深入解读 Jev 模型：毫秒级判定与工程边界（中文）](https://github.com/kuhung/understanding-jev)

  中文

  中文深度解读，可直接参考其工程边界表述
- [Laya（Convai Innovations，Apache-2.0，421M）](https://huggingface.co/convaiinnovations/laya)

  英文
- [kev（jaredpalmer）](https://github.com/jaredpalmer/kev)

  英文

</details>