Jev 是什麼？不會寫字的 AI，為什麼反而有人搶著用

先講結論：它是一個不會寫字的 AI

你熟悉的 AI 都是拿來「產出東西」的：寫文案、回信、整理會議紀錄。Jev 反過來，它一個字都不寫，只做一件事：回答你給的判斷題。

例如你丟一封客訴信給它，問「這該轉給哪個部門」，它不會回一段話跟你解釋，而是直接回：客服 0.92、業務 0.06、其他 0.02。這串數字你的程式可以直接拿去用，不用再叫另一個 AI 幫你把文字解析成資料。

做這個模型的是 TypeSafe AI，官方公告日期是 2026 年 9 月 15 日。共同創辦人兼執行長 Diogo Almeida 是前 OpenAI 研究員。The Register 的報導提到這家公司已取得 4,000 萬美元投資，這個數字不在官方公告裡。

跟你熟悉的 AI 差在哪

差別不在「比較聰明」，在「產出的東西根本是不同型態」，而這決定了它為什麼快這麼多。

• 一般 LLM 是一個字接一個字算的：每個字都要等前一個字算完，所以答案越長越慢。這個做法叫自迴歸（autoregressive）
• Jev 是一次平行算完：你一次丟三個問題，它把同一份資料讀一遍，三個問題同時判斷，不是排隊做
• 回傳的型態不同：LLM 給你一段文字，你的程式要自己解析。Jev 直接給你數值與機率，格式由系統保證正確
• 訓練方式不同：官方說法是用 RLCD（Reinforcement Learning for Calibrated Decisions，為了讓機率準而訓練），而不是一般 LLM 用來對齊人類偏好的那一套

「System One」這個名字在講什麼

TypeSafe 把 Jev 叫做 System One model，這個詞借自心理學裡「快思」與「慢想」的分法。快思是你看到紅燈就踩煞車，不需要推理。慢想是你算一題數學，要一步一步來。

他們的主張是：軟體裡有大量的決定其實屬於快思。這封信該分到哪、這張單要不要擋、這個申請分幾分，都是。這些事不需要一個會寫論文的模型，需要的是又快又便宜又穩定的判斷。

所以 Jev 不是要取代 ChatGPT 或 Claude。它想搶的是「本來就不該用大模型做，卻沒有更好選擇」的那一塊。

它只回答三種問題

這是用它之前一定要知道的限制。你想做的任何判斷，都得先拆成下面三種其中之一：

• Choice：從你給的選項裡挑一個，回傳每個選項的機率
• Score：照你訂的級距打分，回傳每一級的機率
• Noul：判斷一句陳述是不是真的，回傳一個 0 到 1 的機率
• 選項數量上限 255：超過的話官方建議拆成兩階段：先讓它替每個候選各自打分，再用一次 Choice 從高分的幾個裡選
• 輸入只吃文字：字串、JSON 或文字陣列都可以，但不支援圖片、聲音、影片

它還會告訴你「這題我有多確定」

除了答案，每一題還會附一個 0 到 1 的信心分數。官方的說法是這個分數來自機率分布的形狀：如果某個選項遙遙領先，信心就高。幾個選項機率差不多的時候，信心就低。

這一點是實務上最有價值的地方。你不需要它每題都答對，你需要的是「它答錯的時候，自己會舉手」。

• 門檻怎麼訂，看做錯的代價：錯了只是多花五分鐘，門檻可以低。錯了要賠錢或得罪客人，門檻就要拉高
• 不要一開始就全自動：先讓它跑，但所有結果都還是人看，比對一兩週再決定哪一段可以放手
• ⚠️ 官方自己說「數值校準」比較弱：也就是說「它說 0.9」不保證真的就是九成會對。要把這個分數當相對指標用，不要當成精準的機率

快多少、便宜多少

下面這些是廠商公布的數字，第三方只驗證了其中一部分，我在後面會分開講。先看規格：

• 價格：每一百萬個輸入 token 收 0.042 美元，輸出不收費。官方的講法是「太便宜所以不計費」
• 輸出免費為什麼重要：一般 LLM 的輸出通常比輸入貴好幾倍，而且你要的東西越長付越多。Jev 把這一塊歸零，等於成本只跟「你餵多少資料進去」有關
• 回應時間：70 到 500 毫秒
• 一次能處理的量：單次請求上限 64k token，其中「資料本體加上最長的那一題」不能超過 32k
• 速率限制：每秒 25 萬 token、每分鐘 1,200 次請求，官方標明會動態調整
• 怎麼接：POST /v1/systemone，模型代號 jev-1.13.0，另有 jev-latest 與 jev-preview 兩個別名。官方提供 Python 與 JavaScript 的 SDK
• 資料政策：官方的法務頁寫明不以使用者資料訓練模型，並對企業客戶提供零留存（ZDR）。這一條在模型文件裡沒有，要看 legal 那一頁

官方自己列出來做不到的九件事

這是我覺得 TypeSafe 做得不錯的地方：他們在文件裡開了一頁專門講這個模型會在哪裡出錯。要評估值不值得用，這頁比任何行銷素材都有用。

• 照字面讀：它回答你寫的那一題，不是你心裡想的那一題。範圍詞、否定句、隱含條件都會被照字面解讀
• 不會算數：計數、數字比大小、四則運算都不可靠。官方原話是「Jev 不是計算機」
• 日期時間比不出來：它把日期當文字讀，不是當有先後的量。問它「這兩個日期哪個早」不可靠
• 繞來繞去的指令會錯：雙重否定、複雜的間接指涉，正確率會掉
• 塞太多無關資料會變笨：跟這個判斷無關的內容越多，準確度越低
• 可以被惡意內容帶偏：刻意寫來誘導模型的文字，有機會改變它的答案
• 指令互相矛盾會亂：指示跟判準打架的時候，它會混淆
• 沒有邏輯上的一致性保證：問「這句是真的嗎」跟問「這句是假的嗎」，兩個機率不保證加起來等於一
• 不會寫字：硬要它生成文字只會得到不能用的東西

什麼情況適合用、什麼情況不要

實務上不是二選一。判斷交給它，要寫字的還是交給一般 LLM：

• 適合：客訴分類與派工、發票與單據挑異常、申請案初篩、名單評分、內容是否違反規則
• 適合：當一般 LLM 的守門員。LLM 寫完草稿，用它問一句「這段有沒有承諾我們做不到的事」再決定送不送
• 不適合：要算錢、比日期、做多步推理的事
• 不適合：要產出文案、回信、摘要這類需要寫字的事
• 不適合：判斷條件本身講不清楚的情境。拆不成三種題型，通常代表規則還沒想清楚
• 實務上的架構是「多個模型並存」：前面放一層路由，依照這一次要做什麼決定派給誰。判斷走 Jev、寫字走 LLM，而不是整套系統只選一個模型

它還被拿來即時控制東西，但要看清楚前提

發表時最吸引人的不是分類 demo，是幾個即時控制的示範。因為每次判斷只要幾十到幾百毫秒、又幾乎不花錢，所以可以做到「每一幀都問一次」。

• 玩 Doom（官方示範）：把遊戲狀態整理成結構化資料餵給它，由它決定下一步。The Register 報導這個 demo 的回應時間是 0.114 秒，對照的 GPT-5.6 Terra 是 8.566 秒
• Minecraft 機器人（使用者做的，不是官方）：發表後很快就有人做出來，出現過沒有特別寫進程式的行為，例如看到殭屍會跑。兩分鐘約一美分這個數字是 TypeSafe 自己給的，沒有獨立驗證
• 自駕風格的遊戲、跑酷類遊戲（都是使用者做的）：在加速、煞車、閃避之間即時選一個
• ⚠️ 這些全部都在模擬器或遊戲裡：沒有真實硬體、沒有感測器雜訊、也沒有經過安全攸關的失效測試
• ⚠️ 除了 Doom 之外，上面幾個都是社群自己做的：不是 TypeSafe 官方發布的示範，穩定度與重現性都沒有保證

廠商說的，跟目前真的被驗證的

這段是我認為評估新工具時最該看、但多數介紹文章不會寫的部分。把宣稱跟證據分開：

• 已被第三方重現：價格、回應速度（實測每筆約 0.3 到 0.5 秒）、平行判斷（有測試者一次跑 777 個判斷在 0.7 秒內完成）、格式一定正確
• 只有廠商自己說：RLCD 的校準效果目前沒有論文、沒有可靠度曲線、沒有公開的誤差數字
• 「零幻覺」要看清楚講的是什麼：它指的是「輸出格式一定符合你定義的型別」，不是「答案一定對」。格式對跟內容對是兩件事
• 倍數要看跟誰比、比什麼：官方同一篇公告裡就有兩個數字，「同等前沿智慧下快 40 到 200 倍」以及首頁那組「快 193.6 倍、便宜 444.6 倍」。後者是特定工作流程的峰值，不是你會遇到的平均
• 評測有方法上的偏誤，官方自己也承認：比對的標準答案取自另外兩個大模型的平均，測試流程由 TypeSafe 自己的團隊設計，被比較的模型是透過他們的包裝層跑的
• 獨立測試結果有好有壞：Every 的實測裡，Jev 每段中位數 0.35 秒、對照組 Fable 5.1 高強度模式是 8.83 秒，大約快 25 倍。但同一份測試裡，七個刻意埋的缺陷 Jev 抓到六個，對照組七個全抓到
• 目前還沒有公開的客戶名單與營收：採候補名單制的早期存取，還不是「隨時可以上線」的成熟狀態

想試的話，從哪裡開始

如果你手上有那種「每天要判斷幾百次、規則其實很清楚、但一直靠人看」的工作，值得試。建議的順序：

• 先挑一件事，不要一次全上：選規則清楚、量大、做錯代價小的，例如來信分類
• 把判斷拆成三種題型：能不能拆得乾淨，就是這個任務適不適合的第一關。拆不出來通常代表你自己還沒想清楚規則
• 先影子模式跑一陣子：讓它判斷但不真的執行，把它的答案跟人的答案放在一起比對一兩週
• 再用信心分數分流：確認高信心那一段真的夠準，才把那一段放手自動化
• 規格還會變：目前是早期存取，價格、速率限制、模型版本都可能調整，實際以官方文件為準

對一般公司的意義

如果你不打算自己接 API，這件事跟你還是有關，因為它改變的是「自動化的成本結構」。

以前一個判斷要呼叫大模型，成本與延遲都讓你只敢在重要的地方用。當單次判斷便宜到幾乎可以忽略、而且快到使用者感覺不出來，原本「不值得自動化」的那一大堆小決定就變得值得做了。

實際的影響會出現在你用的 SaaS 上：客服系統的自動分類變準、審核流程開始有初篩、表單送出的當下就能判斷要不要擋。你不用知道背後是哪個模型，但知道這件事，你在評估工具時會多問一句「你們的自動判斷是怎麼做的」。