Jev 模型是什麼？新手完整教學：3 種判斷類型、程式實作、適合場景與限制

如果你要 AI 寫信、整理報告或陪你聊天，Jev 不適合。當你的程式只需要判斷「這張客服單該交給哪個部門」「這段內容風險多高」「這位客戶是否要求退款」，才是 Jev 想解決的問題。

Jev 是 TypeSafe AI 推出的第一款 System One Model。這個名稱借用「快速、直覺判斷」的概念：它不產生自由文字，而是從開發者事先定義的答案中選擇，並回傳機率。換句話說，Jev 比較像一個能看懂語意的 if 判斷，而不是另一個 ChatGPT。

這篇文章會先解釋 Jev 與一般大型語言模型有何不同，再用客服分流範例帶你認識 Choice、Score、Noul 三種題型，最後完成第一個 API 呼叫。你也會看到官方速度與成本數字該怎麼讀，以及哪些工作不該交給 Jev。

Jev 是什麼？先把它想成「會看語意的判斷函式」

一般大型語言模型（LLM）會逐字產生文字。這讓它可以寫文章、回答開放式問題，也代表輸出可能多一句解釋、少一個欄位，甚至產生程式沒有預期的答案。

Jev 採用不同介面。開發者先提供一份 state，也就是要判斷的文字或 JSON 資料，再列出問題與允許的答案。模型只回傳固定型別的結果與機率，不會寫出一段文章。

例如，客服訊息是：「我改完密碼後無法登入，重設信也一直沒收到。」你可以要求 Jev 從 account、billing、technical、other 四個選項中選一個。程式拿到 account 後，就能直接把工單送往帳號支援隊伍，不必再從一段自然語言裡挖出關鍵字。

真正的差別不在於「Jev 比所有 LLM 更聰明」。它主動放棄寫作能力，換取更窄、更容易被軟體消化的輸出。需要創作與推理時仍要用 LLM。需要大量、快速、固定格式的語意判斷時，才輪到 Jev。

TypeSafe AI 為什麼要做一個不會聊天的模型？

TypeSafe AI 創辦人 Diogo Almeida 曾參與讓語言模型更能遵循人類指令的研究。2026 年 9 月，公司走出隱身模式並推出 Jev，同時宣布由 DCVC 領投的 4,000 萬美元種子輪融資。

公司的核心判斷是：聊天介面方便人類，但自由文字不一定是軟體之間最可靠的介面。客服分流、內容審核、履歷篩選與風險評級等工作，通常不需要漂亮文章，只需要程式可以立即採用的選項、分數與機率。

TypeSafe 稱這類模型為 System One Model，並用 Reinforcement Learning for Calibrated Decisions（RLCD，校準決策強化學習）訓練模型。白話來說，訓練目標放在讓預測機率盡可能反映實際把握程度，不追求人類最喜歡的文字回答。

這仍是一家剛公開產品的新公司。RLCD 的完整技術細節、第三方大規模驗證與長期生產表現，目前都不如成熟 LLM 生態完整。現階段比較合理的態度，是把 Jev 當成值得測試的新型決策元件，而不是已經證明能取代既有 AI 系統的通用解答。

Jev 的 3 種題型：Choice、Score 與 Noul

Jev 每次會讀取同一份 state，再回答一個或多個彼此獨立的問題。官方提供三種基礎題型。

Choice：從固定選項中選一個

Choice 適合沒有先後順序的分類，例如客服部門、文件類型或程式語言。它會回傳選中的答案、每個選項的機率，以及彙整後的 confidence。

如果選項不一定涵蓋所有情況，應加入 other 或 none_of_the_above。否則模型即使遇到不合適的輸入，也只能被迫從錯誤選項中挑一個。

Score：沿著一把有明確刻度的尺評分

Score 適合有順序的程度判斷，例如客戶情緒、錯誤嚴重度或候選人經驗。每一級都要用具體情境描述，不要只寫「低、中、高」。

例如，錯誤嚴重度可以定義成「只影響外觀」「主要功能失效但有替代方式」「核心流程完全無法使用」。模型可能回傳 1.3，代表結果主要靠近第二級，也有一部分機率落在第三級。

Noul：判斷一件事為真的機率

Noul 是 TypeSafe 對是非題的名稱。它回傳 0 到 1 的 noul 值，代表「答案為是」的機率。接近 1 表示強烈偏向是，接近 0 表示強烈偏向否，接近 0.5 則代表難以判斷。

Noul 沒有另一個 confidence 欄位，因為它本身的數值已經是一個二元事件的機率。不要把 0.5 解讀成「中等程度」。若要衡量程度，應改用 Score。

Jev 新手教學：用客服分流完成第一次 API 呼叫

最簡單的開始方式，是登入 TypeSafe Playground，把客服訊息貼進 state，再加入一個 Noul 問題。若要接進自己的程式，可以使用 HTTP API 或 Python SDK。TypeSafe 官方文件顯示，Python SDK 需要 Python 3.10 以上。

步驟一：取得 API key

登入 TypeSafe Console，在控制台建立 API key。TypeSafe 仍處於早期開放階段，帳號是否立即取得額度，以控制台顯示為準。

把金鑰放進環境變數，不要直接寫進程式碼或上傳到 GitHub：

export TYPESAFE_API_KEY="你的_API_KEY"

步驟二：先用 cURL 看懂請求結構

下面範例把一則客服訊息同時交給三種題型。state 是模型要看的材料，questions 則是希望它做的判斷。

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d @- <<'EOF'
{
  "model": "jev-latest",
  "state": "I changed my password and now I cannot log in. The reset email never arrives, and I need access today.",
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this request?",
      "criteria": {
        "account": "Login, password, profile, or security issues",
        "billing": "Charges, invoices, refunds, or subscriptions",
        "technical": "Product bugs, outages, or integrations",
        "other": "Requests that do not fit the other categories"
      }
    },
    "frustration": {
      "type": "score",
      "instructions": "How frustrated does the customer appear?",
      "criteria": [
        "Calm and only stating facts",
        "Concerned but still civil",
        "Very angry or using strong language"
      ]
    },
    "is_urgent": {
      "type": "noul",
      "instructions": "Does the message express urgency or time sensitivity?"
    }
  }
}
EOF

官方快速入門範例的回傳會包含 answers 與 usage。程式應讀取 department.choice 決定路由，讀取 department.confidence 判斷是否能自動處理，再用 is_urgent.noul 決定是否提高優先順序。

步驟三：用 Python SDK 接進程式

先安裝 SDK：

pip install typesafe-sdk

接著建立同一組問題：

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

ticket = (
    "I changed my password and now I cannot log in. "
    "The reset email never arrives, and I need access today."
)

with TypeSafeClient() as client:
    response = client.system_one(
        state=ticket,
        questions={
            "department": Choice(
                instructions="Which team should handle this request?",
                criteria={
                    "account": "Login, password, profile, or security issues",
                    "billing": "Charges, invoices, refunds, or subscriptions",
                    "technical": "Product bugs, outages, or integrations",
                    "other": "Anything outside the other categories",
                },
            ),
            "frustration": Score(
                instructions="How frustrated does the customer appear?",
                criteria=[
                    "Calm and only stating facts",
                    "Concerned but still civil",
                    "Very angry or using strong language",
                ],
            ),
            "is_urgent": Noul(
                instructions="Does the message express urgency or time sensitivity?"
            ),
        },
    )

department = response.answers["department"]
urgent_probability = response.answers["is_urgent"].noul

if department.confidence < 0.60:
    route = "human_review"
else:
    route = department.choice

print(route, urgent_probability)

這段程式最重要的是最後的路由規則。呼叫 API 只會取得判斷，真正要不要自動執行，仍由你的程式決定。

confidence 不是正確率保證：門檻要依風險設定

Choice 與 Score 的 confidence 是從答案的機率分布計算而來。某個選項明顯領先其他選項時，confidence 會較高。多個選項勢均力敵時，confidence 會降低。

這個數字可用來建立三段式流程：

1. 高把握、低風險的案件自動處理。
2. 中間區間要求使用者確認或補充資料。
3. 低把握案件轉人工或交給較強的推理模型。

但門檻不能直接從官方範例照抄。把客服單送錯部門通常可以修正，門檻可以較低。核准退款、封鎖帳號或拒絕求職者的代價更高，就需要更嚴格的人工覆核。正確做法是用自己的歷史資料測試不同門檻下的準確率、漏判率與人工量，再決定正式規則。

Jev 真的快 193.6 倍、便宜 444.6 倍嗎？

TypeSafe 官網列出 Jev 在自家 workflow eval 中達到 193.6 倍速度、444.6 倍成本優勢。官方部落格則用較寬的範圍描述為約 40 至 200 倍更快。Jev 1.13 的定價是每百萬輸入 token 0.042 美元，輸出 token 不另計費，官方列出的端到端延遲範圍為 70 至 500 毫秒。

這些數字不能解讀成 Jev 在任何任務都比大型語言模型快 193.6 倍。TypeSafe 自己說明，這組 workflow eval 是由內部能力團隊製作，可能存在偏差，而且官網的倍數屬於較高端的實際增益。更重要的是，Jev 與 LLM 提供的能力不同：一個只做固定型別判斷，另一個可以生成文字與進行長鏈推理。

因此，速度與成本數字最適合拿來形成測試假設，不能直接寫入採購效益。若你的工作是大批文字分類、同一份資料同時回答許多獨立問題，Jev 的架構優勢可能明顯。若任務需要搜尋、計算、寫作或多步推理，再便宜也無法代替 LLM。

「零幻覺」不等於「不會判斷錯」

TypeSafe 強調 Jev 不會產生型別錯誤。這項保證的範圍是：若你要求模型從 account、billing、technical、other 中選一個，它不會突然回傳第五個不存在的部門，也不會夾帶一段自由文字讓程式無法解析。

但固定格式仍可能裝著錯誤答案。模型可能把帳號問題誤判成技術問題，也可能對模糊資料給出過高機率。官方首頁使用「Zero Hallucinations」描述產品，技術文章則把這項主張連結到 schema matching，也就是輸出一定符合預設結構。對實務系統來說，最安全的理解是「零型別幻覺」，不是「零語意錯誤」。

Jev 也有幾項明確限制：

• 目前只接受文字。圖片、音訊與影片要先轉成文字或結構化欄位。
• 英文是主要訓練語言。官方表示中文等 CJK 文字可以使用，但準確度較低，必須用自己的中文資料驗證。
• Jev 1.13 的 state 加上最長問題有 32K token 限制，整個請求的總預算為 64K token。
• jev-latest 會隨新版本更新。已調整好門檻的正式系統，應固定版本 ID 並記錄每次回應的模型版本。
• 官方表示一般客戶請求不會用來訓練 Jev，但企業級零資料保留仍應依合約與資料處理協議確認。

哪些工作適合 Jev？哪些工作仍要交給 LLM？

Jev 最適合答案空間可以事先定義、單次判斷不需要長篇推理，而且呼叫量很大的工作。

更實用的架構通常會讓兩者分工。Jev 負責快速分類、打分與判斷是否要升級，LLM 負責處理真正需要解釋、生成或深入推理的少數案件。

社群已經開始把 Jev 放進遊戲與代理工作流。例如一個 Doom 實驗讓 Jev 選擇動作，再由 LLM 回顧結果並規劃下一輪。這類影片很適合理解「快速決策模型＋慢速推理模型」的分工，但它是社群原型，不是生產可靠性的證明。

新手最容易踩的 5 個坑

1. 把大問題整包丟給模型

「這位客戶要怎麼處理？」包含分類、情緒、退款資格與風險等不同判斷。應拆成多個小問題，再由程式組合答案。

2. 選項沒有 other

若分類永遠可能出現例外，卻沒有其他選項，模型只會在錯誤答案中選一個。先設計答案空間，再談模型準確率。

3. 把模糊形容詞當評分標準

「低、中、高」對不同人意思不同。改成可觀察的情境，例如「不影響使用」「主要功能失效但可繞過」「核心流程完全中斷」。

4. 一開始就讓模型做不可逆動作

先讓系統只做標記、排序或建議。等離線測試與人工覆核證明門檻合理，再逐步開放低風險自動化。

5. 直接用英文成果推估中文準確度

官方已明說英文效果最佳。台灣團隊應準備真實繁體中文樣本，分別測試正式、口語、錯字與中英混雜內容，而不是只跑幾個乾淨範例。

FAQ：Jev 模型常見問題

Jev 可以像 ChatGPT 一樣聊天嗎？

不行。Jev 不產生自由文字，只回傳固定型別的選項、分數與機率。若產品需要對使用者說明原因或撰寫回覆，仍要搭配 LLM 或固定模板。

Jev 與一般 LLM 的 JSON mode 有什麼不同？

JSON mode 或 structured outputs 仍是語言模型產生結構化文字。Jev 從模型介面開始就只做固定答案空間內的判斷，不逐字生成內容。兩者都能讓程式取得結構化資料，但能力範圍、速度、成本與錯誤模式不同。

Jev 的 Choice、Score、Noul 該怎麼選？

從多個無順序類別選一個，用 Choice。衡量有順序的程度，用 Score。判斷一件事為真的機率，用 Noul。若你想問「Python 能力是中等嗎」，先把「能力」拆成有明確描述的 Score 級別，通常比模糊的是非題更好。

Jev 支援中文嗎？

支援文字輸入，也能處理 CJK 字元，但官方表示英文準確度最佳，其他語言並非同等表現。中文正式導入前，需要用自己的資料集測試，並保留人工覆核路徑。

Jev 會出錯嗎？

會。它可以保證輸出符合預設型別，不能保證每次語意判斷都正確。機率與 confidence 是路由訊號，不是正確率保證。

Jev 現在的價格是多少？

截至 2026 年 9 月 19 日，官方文件列出的 Jev 1.13 價格為每百萬輸入 token 0.042 美元，輸出 token 不另計費。價格與速率限制可能調整，實際使用仍應以控制台與最新官方文件為準。

結語：Jev 的位置，是 AI 工作流裡的新零件

Jev 最值得注意的地方，並非它會不會「打敗 LLM」。它把 AI 的用途從產生內容縮小成一個可以放進程式流程的判斷元件。

如果你只是想體驗，先從 Playground 的客服分類開始。如果你準備做產品，先挑一個答案空間明確、錯誤可恢復的任務，建立自己的測試集與人工覆核門檻。等這一小段流程可靠，再擴大自動化範圍。

這也決定了現階段對 Jev 最合理的判斷：它很可能替大量分類、評分與守門工作降低延遲和成本，但官方效能倍數仍需要更多獨立驗證，高風險決策也不能因為輸出格式穩定就跳過人工責任。

資料來源

• TypeSafe AI：Introducing System One Models & Jev
• TypeSafe AI 官方文件：Quick start
• TypeSafe AI 官方文件：Primitives
• TypeSafe AI 官方文件：Confidence
• TypeSafe AI 官方文件：Models
• Cloudflare Workers AI：Jev 模型文件
• Business Wire 新聞稿轉載：TypeSafe AI 完成 4,000 萬美元融資並推出 Jev
• 黃小木：Jev 模型從 0 到 1 小白教程