Jev 是什么？

一次调用怎么工作

一次调用有两块：state 是要判断的文本，questions 是关于这段文本的问题。三种问题可以混在同一次请求里。Jev 对同一段 state 并行回答全部问题，所以 60 个问题的花费大约等于 1 个。

下面是一封客服信，问了两件事：该交给哪个团队，以及紧不紧急。

{
  "state": "Hi, I've been trying to connect my Stripe account for 3 days and it keeps failing. I'm losing sales. Please help ASAP.",
  "model": "jev-latest",
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this",
      "criteria": {
        "billing": "Payment or subscription issues",
        "technical": "Bugs or integration problems",
        "sales": "Pricing or account questions"
      }
    },
    "is_urgent": {
      "type": "noul",
      "instructions": "The message conveys urgency or time-sensitivity"
    }
  }
}

{
  "department": {
    "choice": "billing",
    "probabilities": { "billing": 0.84, "technical": 0.159, "sales": 0.001 },
    "confidence": 0.596
  },
  "is_urgent": { "noul": 0.999 }
}

这个例子缩写自 TypeSafe 的快速开始。把 department 读仔细。Jev 以 0.84 的概率选了 billing，置信度却只有 0.596，因为 technical 也分到了权重。概率说明它选了哪一项。置信度说明它有多确定，代码用的是这个数：有把握的自动执行，其余交给人或更大的模型。

还有一处容易踩空：像 is_urgent 这样的问题 ID 不会进入模型。整句问题要写在 instructions 里。

速度、成本与准确率

输入每百万 token 0.042 美元。输出不计费。回答大约 70 到 500 毫秒。在 TypeSafe 自己的工作流评测里，Jev 的准确率和 Sonnet 5 一样，都是 67.8%，每例 0.0004 美元，而 Sonnet 5 是每例 0.1174 美元。

来源是 TypeSafe 的工作流评测。参照答案来自两个大型推理模型，不是来自人。所以 67.8% 的意思是：Jev 有 67.8% 的时候和那两个模型一致。时间图上，Jev 的 0.4 秒几乎看不见。费用图上，同样四条工作流里它是最矮的一栏。

型号与限制

型号

Jev 1.13 (jev-1.13.0). jev-latest 指向它。

价格

每百万输入 token 0.042 美元。输出不计费。

速率限制

每秒 250,000 token，每分钟 1,200 次请求

上下文

每次请求 64k token；state 加上最长的那一个问题是 32k

输入

只有文本：一个字符串、一个 JSON 对象，或一列字符串。一次 Choice 最多 255 个选项。

来源是 TypeSafe 的模型页。请求超出限制时，SDK 会按退避重试。

为什么叫 Jev

TypeSafe 创始人 Diogo Almeida 在发布帖里写过，Jev 得名于杰文斯悖论。1865 年，William Stanley Jevons 认为，蒸汽机用煤更省以后，英国烧掉的煤会更多，而不是更少。把一次决定做得足够便宜，软件就会做远比以前多的决定。

“System One” 来自 Daniel Kahneman 的《思考，快与慢》：系统 1 又快又直觉，系统 2 又慢又审慎。Jev 为快的那一种而造。

2026 年 9 月 15 日他写道：在共同发明 ChatGPT 之后，他一直在问，为什么超人类的聊天模型没有带来 AGI。两年的隐身工作做出一种训练方法 RLCD，以及这个模型：大约快 20 到 200 倍、便宜 40 到 400 倍，输出 token 免费，为决定而不是为说话而造。

人们用它建造什么

一份公开目录数过 729 个构建。大多数用法是这几种：在智能体里选下一步，把队列分进桶里，给一大批条目打分，或者在置信度不够高时拦住危险的一步。同一个决定重复很多次，单次的速度和价格才会累加。Jev Guide 自己的案例和 GitHub 项目另行按分类收录。

• 智能体与浏览器167
• 基准与评测137
• 开源126
• SDK 与集成122
• 游戏与实时74
• 路由与模型选择52
• 社交信息流51
• 工具与应用51
• 代码与代码审查39
• 搜索36
• 上下文与记忆33
• 安全与滥用33
• 文档与 OCR30
• 交易与市场25
• 收件箱与支持24
• 广告与营销24
• 销售与线索15
• 机器人与设备14
• 界面14
• SEO 与 GEO10
• 电商7

DDiogo Almeida@CompleteSkeptic𝕏

Jev 驱动的实时 Doom 演示

发布线程展示游戏场景中的实时决策效果。Diogo 说明演示约每秒调用 10 次 Jev，并附有 2 分 43 秒视频。

𝕏 · 游戏

924354848124.4万

GGregor Zunic@gregpr07𝕏

Browser Use 与 Jev 结合打造超快浏览器智能体

Gregor Zunic 展示 Browser Use 与 Jev 结合的开源浏览器智能体，搜索航班仅需 7 秒、成本 0.0039 美元，采用每步新动作空间、DOM 状态空间和小模型回退输入。

𝕏 · 智能体

2649388830298.2万

HHassan@nutlope𝕏

用 Jev 分类 1018 篇 AI 论文：总成本 0.08 美元

作者用 DeepSeek V4 Flash 生成摘要，再将标题、摘要和 24 个候选主题交给 Jev 分类，完成 1018 篇 AI 论文的归类，总成本 0.08 美元，单篇中位端到端延迟 256 毫秒。

𝕏 · 数据分析

118182196616.4万

Ttamara@tamarajtran𝕏

用 Jev 实现即时上下文压缩

用户分享 Jev 的一个理想用例：即时上下文压缩。通过为每次工具调用打分并丢弃无关内容，Jev 可以让压缩不再依赖摘要提示。

𝕏 · 开发者工具

4049671.1万362.9万

它不适合哪里

• 它不写文本。草稿、摘要和代码仍然需要一个大模型。
• 可能的答案由你来定义。一次 Choice 最多 255 个选项。
• 输入目前只有文本：字符串、JSON 对象和字符串列表。没有图像、音频或视频。
• “不能幻觉”指的是答案永远落在你要求的类型里。它仍然可以选错。选定阈值之前，先用自己的数据试过这些置信度。

听创始人怎么讲

Codez 转过 Diogo Almeida 一场 36 分钟的谈话，日期是 2026 年 9 月 19 日。帖子里的说法是：下一段不是 Claude Code 或 Codex 那种仍有人在回路里的辅助时代。谈话把 Jev 放在那之后，大约快 200 倍、便宜 400 倍，类型之外不会多出一个值。同一场谈话也在讲为什么 RLHF 不再是那件事。这是转述者的措辞，不是本站的测量。

从这里接着看

Akshay Pachaar 的直白版：Jev 不是生成得更快。它根本不生成文本。大模型一个 token 一个 token 地写，哪怕一小段 JSON 也是按顺序来的。Jev 直接评估你预先定义的决定；彼此独立时就并行。一个处理部署失败的智能体可能要问：紧不紧急，该哪个团队，命令危不危险，任务完了没有。用大模型时，应用从一段话里把答案解析出来。用 Jev 时，你事先声明问题。Choice 在工程、账单、销售里选。Score 把风险放在低、中、高。Noul 返回一句是否为真的概率。91% 对 9% 可以自动路由。52% 对 48% 应该升级。代码拥有阈值。Jev 是普通 if 无法从非结构化文本里取出来的那种判断。它不是用来写作、摘要、写代码、做算术，或走一串彼此依赖的步骤的。它不能返回 schema 之外的选项，也仍然可能选中一个合法却错误的选项。

Nathan Flurry 的无炒作一句：Jev 不替换 GPT 或 Claude。它像一条非常聪明的 switch。它需要一组预先定义的选项，然后告诉你走哪一条。它不能写代码，不能生成语言，不能展示过程，不能产出你没有定义过的输出，也不能一次从大约 255 个以上的选项里挑。它能分类、路由、打分、排序，能带上置信度，能选分支或工具，也能给非常多的行打标签。他画的循环是：大模型提出选项，Jev 决定，代码执行。