科目 AI 模型 考生 Jev · jev-1.13.0 出题方 TypeSafe AI 开考 2026-09-15

Jev：
只做选择题的 AI

大多数 AI 在“写作文”——一个字一个字往外写。Jev 不写字，只在答题卡上涂答案，还会顺手标上“我有多确定”。TypeSafe 把这类模型叫作 System One 模型。

这页用 11 道题讲清它：先看图，想深挖就点“再深一点”。标着 示意 的是教学动画；其余数字都回到原文核对过（资料截至 2026-09-18）。

客户来信

“你好，我连续 3 天都连不上我的 Stripe 账户，一直失败。我在流失订单，请尽快帮忙！”

作文纸：大语言模型GPT-5.6 Terra · 逐字生成（含默认推理）
8.566 s
$0.013880交卷
答题卡：JevSystem One 模型 · 所有题同时作答
0.114 s
$0.000081交卷
CHOICE该转给哪个团队？
账单 0.84 技术 0.159 销售 0.001
把握度 confidence 0.596
SCORE客户有多恼火？
0 平静
1 恼火但客气
2 很生气
score 1.035 · 把握度 0.842
NOUL消息里有紧迫感吗？
是 0.999

这一局：Jev 快约 75 倍，便宜约 171 倍。

动画按 TypeSafe 首页演示的实测值播放：Jev 0.114 秒、$0.000081；GPT-5.6 Terra 8.566 秒、$0.013880（首页演示用的是另一道题，官方自己注明那道题“高度简化、输入偏短，对 Jev 有利”）。右侧三道题和答案取自官方文档的示例请求（原文英文，此处翻译）；左侧作文纸上的文字为 示意。
发布
2026-09-15 · 抢先体验，需排队
公司
TypeSafe AI · 旧金山 · 2024 年成立
融资
种子轮 4000 万美元 · DCVC 领投
价格
输入 $0.042 / 百万 token · 输出免费

1第 1 问

“System One”和“Jev”，名字是什么意思？

名字就是说明书：System One = 心理学里的“快思考”；Jev = 经济学里的“越便宜，用得越多”。

SYSTEM ONE ← 卡尼曼《思考，快与慢》

人脑有两套系统

系统 1快思考
这封邮件急不急？急！一眼
系统 2慢思考
17 × 24 = ？408要慢慢算

Jev 只接系统 1 的活：懂行的人几秒内就能拍板的判断。算数、下棋这类系统 2 的活，交给推理模型或代码。

JEV ← 19 世纪英国经济学家杰文斯（W. S. Jevons）

杰文斯悖论：越省，用得越多

当年：煤

蒸汽机更省煤
于是到处装蒸汽机
煤反而烧得更多

TypeSafe 的赌注：AI 判断

一次判断便宜几百倍
软件里处处放判断
AI 总用量暴涨

示意 TypeSafe 的原话大意：智能的成本每降一个数量级，就会解锁多一个数量级的用途。

再深一点
  • “系统 1”在心理学里常被当成“容易出错”。TypeSafe 说他们相信 System One 模型反而能比其他方案更可靠，但“理由以后再讲”。[发布博客 FAQ]
  • The Register 提醒：这个赌注默认“AI 的市场会像能源市场一样广”，而现实是很多人手里有 AI 工具也用不上，这一点还没被证明。[The Register, 2026-09-16]
  • 彩蛋：官网首页藏着一段 Base64 编码，解码后是《雷神之锤 III》里著名的“快速平方根倒数”代码——一个“又快又够准的近似”的经典算法。[typesafe.ai 首页源码]

2第 2 问

它为什么能快这么多？

大语言模型写答案时，每个字都要等上一个字写完；Jev 把材料读一遍，所有题同时作答——根本没有“写”这一步。

大语言模型：一个字接一个字
Jev：读一遍材料，一起作答
STATE 材料客户来信 + 账户信息只读一遍
转给哪个团队？
客户有多恼火？
紧急吗？
要退款吗？
4 道示意
大语言模型
要把每道题的答案逐字写出来 → 题越多越慢
Jev
所有题并行 → 官方称“加题几乎不增加耗时”
上半部分是机制动画；滑块只示意“趋势”，不代表具体秒数。
再深一点
  • 为什么输出免费：答案只能是事先定好的选项、分数或概率，不允许输出字符串这类“一串一串”的东西，所以没有逐字生成，也就没有输出 token 可收费。[CEO 在 Hacker News 的回复]
  • 每道题互不干扰：所有题看同一份材料，各自独立作答，前一道的答案不会变成后一道的上下文，所以加题不会把模型“带歪”。[官方文档 Introduction]
  • 有上限：材料 + 全部题目 ≤ 6.4 万 token；材料 + 最长的一道题 ≤ 3.2 万 token。只收文本（字符串 / JSON），暂不支持图片、音频、视频。[官方文档 jev-1.13 短板页、System One 页]
  • 架构没公开：官方只说用了“新架构 + 并行采样器 + 新训练法 RLCD”，是在预训练底座上训练的；CEO 说架构“暂时保密，考虑写论文”。社区猜测它接近“约束解码”或扩散式的决策模型。[发布博客；HN；Latent Space]
  • 官方自己的类比：从“串行”到“并行”，就像当年 Transformer 取代 RNN。（这是公司的说法。）[官网 FAQ]
  • 速度是在美国西海岸测的；从中国或欧洲调用，还要加上网络延迟。[发布博客]

3第 3 问

你能问它哪几种题？

只有三种：是非题、单选题、打分题。每个答案都带概率——它一句话也不写，但会告诉你它有多确定。

同一份材料

“你好，我连续 3 天都连不上我的 Stripe 账户……请尽快帮忙！”

是非题Noul

消息里有紧迫感吗？

是 0.999
返回“是”的概率（0–1）。
在代码里就是一个 if。
单选题Choice

该转给哪个团队？

账单 0.84 技术 0.159 销售 0.001
把握度 0.596
返回选中项 + 每个选项的概率 + 把握度。
在代码里就是 switch / match。最多 255 个选项。
打分题Score

客户有多恼火？

0 平静
1 恼火但客气
2 很生气
score 1.035 · 把握度 0.842
等级由你用文字定义（2–10 级），返回刻度上的位置。
在代码里用来 排序 或过 阈值。
{
  "model": "jev-latest",
  "answers": {
    "department":  { "choice": "billing", "probabilities": { "billing": 0.84, "technical": 0.159, "sales": 0.001 }, "confidence": 0.596 },
    "frustration": { "score": 1.035, "confidence": 0.842 },
    "is_urgent":   { "noul": 0.999 }
  },
  "usage": { "input_tokens": 312, "output_tokens": 48 }
}
来源：TypeSafe 官方文档 Quick start 的示例请求与返回（为便于阅读，省略了部分字段）。三道题在一次请求里提交、同时返回。
再深一点
  • Noul 这个怪名字是“伯努利（Bernoulli）”的缩写：只回答“是”的概率，所以不带把握度。[CEO 在 HN 的解释；官方文档 Confidence]
  • 打分题的分数 = 各等级编号 × 概率 之和。1.035 的意思是“基本落在 1 级（恼火但客气）”，不是“恼火了 51.75%”。官方特意提醒：别用分数去插值算精确数值。[官方文档 Score；短板页]
  • 题目要“原子化”：问“这条消息急不急”是好题；问“分析这条消息并决定最佳处理方式”不是——要拆开问，再在代码里组合。[官方文档 Primitives]
  • 留意第一道单选：“连不上 Stripe”被分到“账单”，把握度只有 0.596，属于中等。按官方的建议，这种情况该“谨慎处理”——下一题就讲这个。
  • 调用方式：一个 HTTP 接口 POST /v1/systemone，另有 Python / JavaScript SDK，也上架了 Vercel AI Gateway。[官方文档；Vercel]

4第 4 问

它知道自己什么时候没把握吗？

每个答案都附一个“把握度”。你的代码按它分三条路：很有把握就自动做，一般就先确认，没把握就交给人。

试试看：一个银行助手

用户说了句话，Jev 判断他想做什么，并给出把握度。拖动滑块，看代码会怎么处理。

0.72

高风险操作、把握度 0.72：先让用户再确认一次。

逻辑照搬官方文档 Confidence 页的示例代码：低于 0.5 一律转人工；查余额可直接执行；批准转账要把握度高于 0.9 才进入“确认后执行”。

“校准”是什么意思？

它说“80% 是”的那一大堆题里，应该大约八成真的是。点一下看看：

结果确实为“是”结果为“否”示意
校准讲的是“一大群预测”，不保证眼前这一道一定对。这是 TypeSafe 训练 Jev 时追求的目标（它叫 RLCD）；到目前为止，公司还没有公开 Jev 的校准曲线。
再深一点
  • 把握度怎么来的：由概率分布的“形状”算出——概率集中在一个选项上，把握就大；摊平了，把握就小。你也可以拿返回的完整概率自己算。[官方文档 Confidence]
  • RLCD 和 RLHF 的区别：RLHF（训练 ChatGPT 的方法）奖励“人更喜欢的回答”，可能养出讨好和“自信的胡说”；RLCD（Reinforcement Learning for Calibrated Decisions）奖励“概率诚实”。[官方文档 AI primer]
  • “我不知道”也是信号：官方的说法是，一个不能诚实表达不确定的系统，就不能被信任。[官方文档 Confidence]
  • 反面证据：在一个独立的德州扑克测试里，Jev 对“过牌”给出 0.86 的把握，而求解器 84% 的情况会下注——在它不擅长的领域，把握度也会失真（见第 9 问）。[backnotprop.com]

5第 5 问

“永远不会幻觉”，是真的吗？

一半是真的：它写不出选项之外的东西，格式永远对；但它完全可能涂错格子，答案可能错。

能保证的

该转给哪个团队？

账单 技术 销售

想写 “火星部” ？写不出来。

答案一定在你给的选项里，不会冒出不存在的部门，也不会格式出错。

不能保证的 示意

“太棒了，才用三天就坏了。”这是好评还是差评？

好评 差评

格式完全合法，但读不懂反话就会选错。官网 FAQ 原意：它保证答案的“形状”，不保证每个决定都对。

大语言模型“交错卷”的频率

左：要求输出结构化数据时出错的比例；右：调用工具时出错的比例。越低越好。

大语言模型的数字是 TypeSafe 在发布博客中引用的 OpenRouter 线上统计，官方自己注明有偏差（复杂请求可能被路由给更强的模型）。Jev 的 0% 不是测出来的，而是“构造上不可能出错”——所以这张图比的是“格式错”，不是“答案错”。
再深一点
  • CEO 在 Hacker News 上承认：概率模型总有可能“自信地答错”。他的反问是：“你会说一个线性分类器在幻觉吗？”——也就是说，他们把“幻觉”定义为“编造不存在的东西”，而不是“答错”。[HN 讨论]
  • The Register 的评价：说它“不会幻觉”并不是公平比较，因为它根本不输出自然语言；返回带概率的结构化答案，也不代表不会出错。[The Register]
  • 真正的价值在自动化流水线：一个“编造的工具调用”能让整条链崩掉；Jev 消灭了这一类错误，剩下的“选错”可以用把握度 + 人工复核兜住。[发布博客]
  • Flavio Copes 的实用提醒：类型正确不等于路由正确——要把模型版本、题目、选项、阈值一起做版本管理，并留一套回归样本。[flaviocopes.com]

6第 6 问

那该怎么用它？

别让它“一口气解决整件事”。把一段规章拆成几道小题交给它，算账、比大小、走流程这些交给代码。

一段报销规定

  1. 每份报销都要附收据；收据看不清，就请员工重交。
  2. 判断费用类型：餐饮、差旅还是设备。
  3. 餐饮超过 75 美元、且报销说明与收据对不上的，需要经理签批。
  4. 其余一律批准。
JEV · 是非题收据看得清吗？
否 → 请员工重交收据
JEV · 单选题什么类型：餐饮 / 差旅 / 设备？
差旅或设备 → 批准
代码 · 规则金额 > $75 ？
否 → 批准
JEV · 打分题说明和收据对得上吗？（0 对不上 / 1 部分 / 2 吻合）
低于 1.5 → 经理签批；否则批准

结果：批准

改编自 TypeSafe 评测站的报销玩具示例：政策里每一句话，要么变成一道带类型的题交给模型，要么变成一条代码规则。每一步显示的概率数值为 示意。

拆成小题，所有模型都变准了

同一套业务流程：空心点 = 一个大提示词让模型一次做完；实心点 = 拆成小题、由代码串起来。四场景平均准确率。

一个大提示词拆成小题（workflow）Jev（只有 workflow 用法）
数据：evals.typesafe.ai（2026-09-18 抓取）。拆题本身就是一半的功劳，这不是 Jev 独有的好处——Haiku 4.5 从 18.1% 升到 53.6%。
再深一点
  • 官方推荐的思路：一个判断如果取决于多个因素，就每个因素问一道题，再在代码里加权。优先级变了，改一个系数就行，不用重写提示词。[官方文档 Introduction]
  • 哪些事留给代码：数数、算术、日期比较、查表；材料里的无关内容也先用代码过滤，再送进来。[官方文档 短板页]
  • 常见用法模式：一次把可能用到的题都问了（投机式扇出）；按把握度分流；把大判断拆成小分数再组合；先判断意图，再路由给代码、专门的 LLM 或人。[官方文档 Patterns]
  • 官方的 20 多个示例包括：法律检索重排、RAG 片段过滤与注入检测、引用核查、LLM 护栏、函数调用、层级分类、实体对齐、日期抽取等。[官方文档 Cookbooks]

7第 7 问

它考了多少分？

在官方的 4 套业务流程考题里：准确率和中档大模型差不多，但不是最高；成本和耗时低了大约两个数量级。

Jev 其他模型：拆成小题 其他模型：一个大提示词 前沿线：没有谁比线上的点既更省（或更快）又更准
表格视图
“准确率”= 与 GPT-6 Astra 和 Claude Fable 5.1（高思考档）平均答案的一致率，不是人工标注的标准答案。横轴为对数刻度。数据：evals.typesafe.ai（2026-09-18 抓取），把鼠标移到点上看详情。
再深一点
  • 四套考题：安全告警（关单 / 排队 / 立即遏制）、Agent 运行轨迹（要不要人看、多急）、发票（付 / 扣 / 退回 / 查欺诈）、客服（下一步说什么做什么）。
  • 发票题落后最多（61.8% vs 最高 79.1%）：这类题数字、金额、条款多，正好撞上它“不擅长数字”的短板。
  • 公司自己承认的偏差：考题由自家模型能力团队编写；用 OpenAI 和 Anthropic 的模型当参考答案，会让结果偏向这两家。[发布博客 Nuance]
  • 刻意不发公开 benchmark：TypeSafe 发文批评“刷榜”，宣布不做标准 benchmark 表，评测只做“一次性快照，发布即退役”。代价是：目前没有一个外部数字能告诉你它够不够用。[博文 Lies, Damned Lies, and Benchmarks]
  • 官网首页的“193.6 倍更快、444.6 倍更便宜”就出自这组评测，博客自己注明“这些数字在真实收益里偏高端”。

8第 8 问

到底快多少倍、省多少倍？

看你跟谁比。同一家公司在不同地方给出的倍数，从 8.7 倍到 444.6 倍都有。

六个出处，六种倍数

100×新闻稿“最多快 100 倍、便宜 100 倍”，延迟不到 100 毫秒。
40–200×发布博客比前沿大模型快 40–200 倍；端到端 70–500 毫秒，前沿模型 3–329 秒。
20–200× / 40–400×创始人推文 · HN 原标题快 20–200 倍、便宜 40–400 倍。HN 上的这个标题后来被改掉了。
193.6× / 444.6×官网首页来自自家 workflow 评测；博客自注“在真实收益里偏高端”。
75× / 171×首页演示0.114 秒 vs 8.566 秒；$0.000081 vs $0.013880。对手是 GPT-5.6 Terra。
8.7× / 33×官方文档里的实验对手换成 Haiku 4.5 直接只选一个答案（大模型最快的用法）：只快 8.7 倍、便宜 33 倍。

算一笔账：处理一批客服工单要花多少钱？

10 万张

每张工单按官方示例的 312 个输入 token 计。

只按“输入单价”算：大语言模型还要另付输出费（通常更贵），实际消耗的 token 数也会不同，所以这是“单价差”，不是“总账”。单价：Jev $0.042/百万（官方）；$0.20/百万为发布博客给出的大模型最低输入价；GPT-5.6 Terra $2/百万（The Register）；Claude Fable 5.1 $10/百万（官方对比口径，即“便宜 238 倍”）。
再深一点
  • 会不会是补贴价？官网 FAQ 说“按现价服务是盈利的”；发布博客则说“我们无法证明价格没有补贴，得靠时间来证明”，并预计价格只降不升。[官网 FAQ；发布博客]
  • 限流：每秒 25 万 token、每分钟 1200 次请求，而且“需求非常大”，限额在动态调整。[官方文档 Models]
  • 另一种直观：官方的 Doom 机器人每秒问 10 次，一小时大约 7 美元。[发布博客]
  • 一个独立测试的账：本地活动审核网站 nearhere 的测试里，每 1000 次判断 Jev $0.043，Mistral Small 4 $0.370，Gemini 3.5 Flash-Lite $2.496。[nearhere.events, 2026-09-16]

9第 9 问

哪些题它会做错？

需要“算”和“绕弯”的题。官方自己列了 8 条短板；一位玩家用德州扑克测出了最典型的一种。

官方自己贴的 8 张“警告贴”

每一张都附了官方给的绕开办法。

数
不会数数、不会算术→ 在代码里算，只把结果交给它
日
比不了日期先后和间隔→ 让它抽出年月日，代码来比较
绕
双重否定、多跳推理会答错→ 问得直接，指明看材料哪一段
杂
无关材料越多越不准→ 先过滤，只送它需要的
字
只按字面理解，不猜你的本意→ 把条件和边界写清楚
骗
会被材料里的“注入”带偏→ 写清标准，上线前拿恶意样本压测
矛
指令和选项打架时会糊涂→ 让题目和选项说同一件事
写
不会写字→ 要生成文字，请用大语言模型
来源：官方文档“Jev 1.13 jaggedness”页（2026-09-16 审阅）。

德州扑克测试：看到了对手的同花，它仍觉得自己领先

我方手牌

K♦︎10♦︎

公共牌

Q♠︎9♦︎4♠︎J♠︎

我方凑成顺子 K-Q-J-10-9；但桌上已有三张黑桃，对手只要有两张黑桃就是同花，同花大于顺子。测试者把对手的真实手牌也写进了材料，再问 Jev：“我方比对手大吗？”

怎样它才改口？

只给牌面信息全下 60%
+ 对手的两张牌全下 58%
+ “桌上有三张同花色”全下 57%
+ 直接写明“对手是同花，A 高”过牌 58%
+ “我方已落后、0 张补牌”过牌 88%

Jev 判断“我方领先”的概率（竖线 = 0.5）

63%Jev 与求解器首选动作一致（150 手）
72%一条死规则“能过牌就过牌”

只有当材料里直接写出结论，它才改变主意——需要“一步步推出来”的判断，正是系统 1 的盲区。同一局面，Haiku 4.5（关闭思考）选对了过牌。

来源：Mike Ramos，“Jev is the fish at the poker table”，backnotprop.com，2026-09-17。单一牌面、与 TexasSolver 求解器对照；作者自述局限：只测了一个翻牌面，比的是“首选动作一致率”而不是实际输赢。
再深一点
  • 按官方文档推荐的“拆成六个小判断 + 代码”的方式重测，结果也差不多：在求解器会下注、加注的 55 个“有争议”局面里，Jev 的四种问法得分 33–44%，三条不看牌的死规则 24–29%——“它在做事，但错多于对”。[backnotprop.com]
  • 测试者的结论：没有公开基准，你就必须针对每个要用的场景单独评测，用你信得过的答案做对照，并算清楚答错一次的代价。
  • 官方 FAQ 自己也写了：复杂数学、下棋式的规划，更适合交给大型推理模型。[官网 FAQ]

10第 10 问

外界怎么看？

热度极高、争议也大：工程师们认可“把 AI 当函数用”的方向，但对倍数、“不会幻觉”和不公开的架构都打了问号。

1868Hacker News 得分
491条评论
全天发布当天挂在 HN 首位
421 万创始人发布推文的浏览量

认可的声音

  • 生产环境里本来就是这么用大模型的：窄决策 + 结构化输出。现在又快又便宜了。
  • 百万条级别的批量分类，终于不用拿“向量 + 余弦相似度”凑合。
  • 可以当“穷人版排序算法”：从 1000 篇文章里挑出最相关的 5 篇。
  • 希望上架 OpenRouter、AWS Bedrock，省掉引入新供应商的合规审查。

质疑的声音

  • 拿 70 毫秒比 329 秒不对等：大模型在做完整的思考和生成。
  • “不会幻觉”偷换了概念：类型正确 ≠ 事实正确。
  • “RLCD”“并行采样”没有论文，也没有细节支撑。
  • 这不就是 BERT 式分类器（或 GLiNER）的“零样本、人人可用”版吗？

CEO 本人对“它本质上是个零样本分类器”这种说法的回答是：没错，而且能并行问很多道。Diogo Almeida（HN 账号 CompleteSkeptic），Hacker News 讨论串

以上评论为意译概括，来自 Hacker News 讨论（item 49717558，数字截至 2026-09-18）；推文浏览量为 Latent Space 2026-09-16 的截图数字。

独立测试：一正一反

测试任务Jev对手结论
nearhere.events
2026-09-16		判断活动信息该不该上架
（50 条真实样本）		96%
0.59 秒		Mistral Small 4：84%，2.90 秒
Gemini 3.5 Flash-Lite：86%，3.40 秒		这种窄判断又准又快；
作者提醒样本小、同一批样本参与了调提示词
backnotprop.com
2026-09-17		德州扑克决策
（150 个局面）		63%死规则“能过就过”：72%需要推理的决策不行；
作者只测了一个翻牌面
社区复刻：发布三天内就有人用现成模型模仿这个接口。mini-jev 让 4B 参数的 Qwen3 小模型直接读“选项字母”的概率：准确率与让它写 JSON 持平，短文本快约 4 倍。启示：“读一遍、直接给选项打分”的接口本身不是魔法；Jev 真正押注的是训练（RLCD）、校准和成本。
来源：nearhere.events 测试报告；backnotprop.com；GitHub r-ms/mini-jev（预注册实验，CLINC150 意图分类）。
再深一点
  • Latent Space 的定性：“一个新的模型类别，或者至少是旧东西的新包装”；多位工程师把它和 DSPy 的“签名”（typed signature）类比——未来可能把昂贵的 LLM 调用“编译”成许多小的 AI 函数。[Latent Space AINews, 2026-09-16]
  • The Register 的收尾调侃：如果它真能又快又好地打 Doom，用不了多久就会有人让它做无人机打击决策。[The Register]
  • CEO 在 HN 还说：他们发现针对 Jev 的对抗样本和针对 LLM 的很不一样，两者搭配使用效果更好；代码方向“还没试过，但很快会有相关发布”。[HN 讨论]

11第 11 问

谁做的？

TypeSafe AI：一家隐身两年、刚拿到 4000 万美元种子轮的旧金山实验室。创始人参与过 ChatGPT 背后的 InstructGPT 研究。

公司
TypeSafe AI（旧金山，2024 年成立）
融资
种子轮约 4000 万美元，DCVC 领投（合伙人 James Hardiman）
口号
“Build Prod, Not God”——造生产力，不造神
模型
jev-1.13.0（别名 jev-latest）
数据
训练数据全部自己造；承诺不用用户数据训练；企业客户可零数据留存
D
Diogo Almeida · CEO
InstructGPT 论文（arXiv 2203.02155）20 位作者之一；曾在 Google Brain。公司称他“共同发明了 RLHF 和 InstructGPT”。
E
Erik Gafni · CTO
连续创业者（Ravel），曾是基因检测独角兽 Invitae、Freenome 的早期员工。
S
Sasha Sheng · COO
前 Meta / FAIR 研究工程师。
  1. InstructGPT 论文发表，Almeida 为作者之一——这套方法后来变成了 ChatGPT。
  2. TypeSafe AI 成立，随后隐身研发约两年。
  3. 博文《最苦的一课》：选对任务 > 数据 > 算力 > 算法。
  4. 博文批评“刷榜”，宣布不公布标准 benchmark。
  5. 发布 Jev，同时宣布 4000 万美元种子轮；HN 当天全天第一。
  6. The Register 等媒体报道；官方发布“jev-1.13 短板清单”；nearhere 独立测试（正面）。
  7. 德州扑克测试（负面）；开发者长文评测陆续出现。
  8. 社区出现开源“平替”：mini-jev、open-alternative-jev。
再深一点
  • “共同发明 RLHF”要打个折：这是公司和新闻稿的说法。能独立核实的是：Almeida 是 InstructGPT 论文（2022 年 3 月）20 位作者中的第 4 位。[arXiv 2203.02155]
  • 宣言里的野心：不追“AGI”，而是让智能像数据库查询一样可调用、可测试、能埋进软件五层深；他们心中的“经济革命”指标是全球全要素生产率增速 5 年内达到 3% 并保持 10 年。[typesafe.ai/manifesto]
  • 团队背景：来自 OpenAI、Google Brain、Meta FAIR、Stripe、Airbnb、Plaid、Docker 等，每周五天在旧金山办公室线下办公。[团队页]
  • 一处口径不一：Dealroom 的正文把这轮写成 2590 万美元，与它自己的标题和官方新闻稿（4000 万）不符，此处以新闻稿为准。

✓交卷

一句话记住它

Jev 是给软件用的“快速直觉”：把“是不是、选哪个、打几分”变成像调用函数一样便宜、快速、可控的一步——代价是不会写、不会算、不擅长绕弯。

它在一个系统里的位置

代码精确规则：算账、比大小、查表、走流程
Jev快速判断：分类、路由、打分、审核，每次带把握度
大语言模型需要写字或多步推理时才叫它（系统 2）
人把握度低、代价高的少数情况

还缺的四块拼图（值得持续跟踪）

  • 独立的大规模评测：不是自家考题，也不拿大模型的答案当标准答案。
  • 公开的校准曲线：它说 80% 的时候，是不是真的八成对。
  • RLCD 和模型架构的论文或技术报告。
  • 价格能否持续，能否进入 OpenRouter、Bedrock 等主流渠道。

资料来源

官方（公司自述）

论文

媒体

社区与独立测试

资料截至 2026-09-18（北京时间）。所有数字已回原文核对；标 示意 处为教学动画，不是真实模型输出。公司自述、媒体报道、社区评论与独立测试已分开标注。本页是学习材料，不代表任何机构的立场。