2026年9月中旬，一款叫Jev嘅AI模型突然喺矽谷同開發者社群迅速走紅。佢由前OpenAI研究員、InstructGPT論文共同作者Diogo Almeida創立嘅TypeSafe AI推出。唔同於ChatGPT、Claude等生成式大模型，Jev定位為「System One模型」——佢唔會寫文章、唔會傾偈、唔會生成代碼，只做一樣嘢：喺指定選項中快速回應帶校準機率嘅結構化決策。

發佈僅幾日，Jev就被Vercel、Cloudflare、LangChain等主流平台接入；內測一開放短時間內吸引大量開發者湧入，相關開源項目、瀏覽器Agent、交易機械人等Demo層出不窮。佢嘅爆紅，標誌住AI由「識講嘢」向「能可靠決策」一次重要嘅轉向。

核心原理：由生成文本到類型化決策

Jev嘅設計理念直接借鑒咗丹尼爾·卡尼曼喺《思考，快與慢》中提出嘅「系統一」同「系統二」劃分。大型語言模型比較接近慢速、深思熟慮嘅「系統二」；而Jev瞄準嘅就係快速、直覺式嘅「系統一」判斷。

具體工作方式如下：

開發者向模型輸入一段非結構化狀態（state，可以係文本、日誌、頁面描述、交易數據等），並同時提交一組預先定義好嘅類型問題。問題類型主要有三類：

Choice：從最多255個預設選項中揀一個；
Score：按指定標準打分；
Noul（或布爾類）：俾出「是/否」嘅機率判斷。

模型喺一次並行前向計算中回答所有問題，返回結構化結果同校準後嘅置信度/機率，而唔係逐token生成自然語言。因為答案被嚴格限制喺開發者定義嘅選項集合內，喺機制上消除了格式錯誤同「編造不存在選項」嘅幻覺。

訓練方法上，TypeSafe採用自研嘅RLCD（Reinforcement Learning for Calibrated Decisions），優化目標唔係「人類更鍾意邊個回答」，而係「機率係咪誠實」——講70%時，真實準確率應該接近70%。呢點令輸出置信度有更高嘅可解釋性同工程可用性。

性能數據方面，官方話端到端延遲通常喺70–500毫秒，遠低於前沿大模型處理同類決策任務所需幾秒至幾分鐘；定價為每百萬輸入token約0.042美元，輸出唔計費。因為唔需要生成文本，成本結構同生成式模型差異顯著。

應用場景：Agent嘅「智能if語句」

Jev最自然嘅定位係作為AI Agent系統入面嘅決策層，與生成式大模型形成互補：大模型負責理解、生成同開放式推理，Jev負責路由、篩選、打分同門控。

目前已出現嘅典型場景包括：

Agent工具選擇與路由：喺多個可用工具或下一步動作之間，快速決定調用邊一個，並畀出置信度，用嚟判斷是否需要人工介入。
瀏覽器與電腦操作Agent：觀察頁面狀態後，並行決定點擊邊個元素、輸入乜嘢、是否滾動等，顯著降低多步互動延遲。已有項目用佢完成航班搜索等真實任務。
代碼審查與質量門控：對Pull Request進行快速分類或風險打分，成本極低，可支持大規模自動化審查。
內容審核與安全過濾：喺預設類別中判斷風險等級，適合高並發、低延遲場景。
交易與實時系統：部分開發者將佢接入鏈上/鏈下數據流，嘗試高頻決策。但實測結果參差，有公開案例顯示短時間內出現明顯虧損，提醒佢嘅準確性仍處於早期階段。
其他：無人機避障邏輯、客服工單分診、搜索結果排序輔助等。

社群已形成「Jev Engineering」實踐：生成交畀LLM，決策