本文系统整理了 Jev 及同类决策模型的学习资料，涵盖 12 大主题、58 份资料、80 个链接。文章首先解释了 Jev 是 TypeSafe AI 推出的决策模型，输入为状态、问题和候选项，输出为结构化的选择、评分及概率分布。作者分析了评估此类模型的关键维度：动态候选项、受限输出与概率校准、推理方式、训练方式及答案边界。随后提供了按目的划分的阅读路径（入门、本地试用、训练研究、中文场景、Agent 应用），并分类整理了云端决策服务（OpenAI Decisions、Liquid d1）、开放模型（Cloudflare Clef、Perplexity Decider、GLiNER2.5-Decide）及本地社区实现（Laya、Kev）等资源，是一份完整的决策模型学习导航。
作者基于 Glean 的四个真实企业场景测试了 Jev——一个输出类型化决策（选项、分数、概率）而非生成文本的'System One'模型。文章梳理了通用 LLM、零样本分类器、微调分类器与 Jev 的替代方案权衡，并对比了 Qwen/SGLang、Kev 等开源复现。实验显示：查询分类上 Jev 零样本明显优于 Laya 但微调后反超；模型路由（专家转移）是最强结果，准确率更高且中位加速 8.1 倍；重排序中 Jev 的 Choice 表述最强，但平均 41 个候选中约 37 个分数相同需靠生产排序打破平局。结论是 Jev 在新任务或标签频繁变化时最具吸引力，是否被高估取决于具体场景。
本文介绍如何以约17美元的成本微调一个类似Jev的高效分类模型。作者基于Qwen3.5 4B，从MultiNLI、BoolQ、Banking77、AG News、SST-5等多个Hugging Face数据集中采样约3.8万个样本，通过脚本归一化数据后，使用Together AI的Fine-tuning服务启动训练任务（约25分钟完成），再将模型部署到Together AI的专用端点（dedicated endpoint），并通过API查询模型完成分类任务。文中还发布了可直接使用的together/Tev1-4B-experimental模型，适用于客服意图识别、文本情感分析、论文分类等实际场景，涵盖从环境搭建、数据准备、训练到部署查询的完整流程。
TypeSafe AI 于 2026 年 9 月发布的 Jev 是一个只做选择题的 AI 模型（单选、打分、是/否），响应 0.07–0.5 秒、输入价格极低、输出免费。作者梳理了官方数据及 Hacker News 上的质疑，指出“Jev 取代大模型”是伪命题，其合理定位是高频、低价地执行小判断。文章按用途分类整理了已真实跑通的案例：为 AI Agent 当决策器、海量数据分类、高低置信度分流混合架构、实时反应界面和仿真实验，并列举了已接入的商业产品。作者还分享了自己四次失败的集成尝试与两轮实测结论，强调概率校准的重要性。
TypeSafe AI 于2026年9月发布的 Jev 是一个不做对话和内容生成的专用判断模型，主打低成本、高速度地解决软件中的小型理解判断任务，如工单分类、优先级评分和概率判断，提供 Choice、Score、Noul 三种能力。其极低价格（每百万输入token 0.042美元）和 Vercel、Netlify 的快速接入引发开发者关注。文章分析了其'零幻觉'宣传的真实含义、评测数字的适用边界，并指出 Jev 的价值在于与生成式模型、程序和人分工协作，让软件能以低成本读懂小问题。
文章介绍了旧金山创业公司 TypeSafe 推出的闭源基础模型 Jev。它不做文本生成，只做判断题、选择题和打分题，输出严格限定在预设选项内，可在约100毫秒内出结果，成本极低。其核心技术是通过 RLCD 强化学习实现概率校准，类似于卡尼曼所说的 System 1 快思考，与传统大模型的慢思考互补。文章展示了社区应用案例，如浏览器 Agent、游戏实时决策、LangChain 工具路由、AI 输出审核等，也指出其在数数、算数、多跳推理和中文上的短板及提示词注入风险，认为 AI 调用正在走向分层架构。
文章分析了 TypeSafe 发布的新模型 Jev——一种只能做分类、评分和路由决策、不能生成文本的'System One'模型。Jev 比通用 LLM 快 40-200 倍、便宜 40-400 倍，通过 RLCD 训练方法实现零样本概率判断。早期独立测试显示其准确率接近 GPT-5.6 等大模型，垃圾邮件分类甚至可媲美有标注训练的分类器。代价是失去了解释能力，无法说明判断理由。作者认为这可能改变 AI 应用架构：用 Jev 做大规模廉价监控评估，用 LLM 判官处理少量样本以获取改进方向信号。
本文介绍 TypeSafe AI 发布的新模型 Jev，一种名为 System One 的非传统 LLM 模型。Jev 不生成文本，而是通过 RLCD 强化学习训练，对给定状态快速返回结构化决策（Choice、Score、Noul 三种问题类型）及概率，推理速度最高快 200 倍、成本低至 1/400。文章展示了如何通过 LangChain 的 TypeSafeClassifier 集成 Jev，并给出两大应用场景：模型路由（根据任务复杂度自动选择低成本或高性能模型）和 Auto Mode（对危险工具调用进行分类守护，提升 Agent 可信度）。Jev 适合作为 LLM 的补充，在 Agent 循环中承担快速、低成本的分类决策。
