把它当成一个「聪明的 if 判断」，而不是一个小号大模型。流程、算术和最后拍板都还在你的代码里；Jev 只补上代码写不出来的那一点——可编程的常识，形式是一个可以拿去比阈值的数。
一次请求可以带几十道题，一次并行前向全部答完，所以多问几题几乎不增加时延，只多付题目本身的 token。它的训练方法叫 RLCD（面向校准决策的强化学习）：返回的数就该当概率读，0.5 是「分不清」，不是「中等」。
三种原语
每道题都要声明类型。下面三个例子用的是同一个 state——首页那个小玩具里的：
{
"task": "今晚 7 点订一张两人桌。",
"observation": "预订已确认——2 人，19:00，12 号桌。"
}noul是非题。返回 0 到 1 之间的一个数，也就是「是」的概率。它是绝对判断，也是唯一没有 confidence 字段的类型。
observation是否确认task里的目标已经达成？0.98——是。把 observation 换成「快好了……」，它掉到 0.03 左右。
choice在至多 255 个选项里选一个。返回选中项、每个选项的概率，以及一个 confidence。它是相对判断，所以永远要留一个 `other` 逃生口，不然模型只能矮子里拔将军。
这一步发生了什么？
goal_met·subgoal_met·blocked·otherblocked 0.88（goal_met 0.00、subgoal_met 0.12、other 0.00），confidence 0.84。
score分级打分。你自己写两级以上，每一级描述一个具体情形而不是一个形容词；Jev 返回概率加权平均，所以分数可以落在两级之间。
这次预订走到哪一步了？0 什么都没做 · 1 开始了 · 2 确认了一个子目标 · 3 只差最后一步 · 4 完全确认
1.97——落在「开始了」和「确认了一个子目标」之间。
题目的 key 不会发给模型，完整语义必须写在 instructions 里；用反引号路径（比如 observation）指向 state 里的字段。
什么留在代码里，什么交给 Jev
这条分界线是从最会用 Jev 的那批项目里学到的最值钱的一课：凡是能算出来的，都留在你这边。
| 留在代码里 | 交给 Jev |
|---|---|
| 枚举候选——DOM 节点、下拉选项、diff 块、文件 id。模型只回答「第几个」，永远不吐选择器或字符串。 | 「这几个候选里哪个最合适？」 |
| 阈值、预算、重试次数、停止条件、去重、死循环检测。 | 「目标达成了吗」「是不是卡住了」——以概率的形式。 |
| 数数、度量、比较日期。需要先算一个数的规则，本来就不该做成题。 | 语义上的存在性：「这段文字里有没有 X？」 |
| 概率怎么组合：取 min / max、加权求和、分档。 | 每题一个原子概率。 |
最终的正确性校验——读 URL、读表单值、读退出码。done 只是信号，不是证明。 | done 与 blocked 背后的选项概率。 |
Jev 做不到什么
TypeSafe 官方有一份 jaggedness（能力参差）清单。下面这些是要绕着设计的边界，不是等着被修的 bug。
- 它照字面读题。措辞含糊，数字就含糊。
- 它不会数数，也不会算术。
- 日期比较不可靠。
- 多跳推理弱——链条自己拆开，一跳一题。
- 无关的 state 会腐蚀上下文：只放这次判断要用的东西。
- 对藏在 state 里的提示注入毫无防御。
- Noul 与 Choice 的答案之间不满足算术恒等。
- 它不能生成：不写文字、不写代码、不写摘要，也不会解释自己的答案。
最坏的失败是安静的：喂给它一张图或一段 base64，你会拿到 HTTP 200 加一堆 ≈0.5 的答案——一次干净的成功，带着一组毫无意义的数字。它读不懂的输入，在发出去之前就该拒掉。
价格与速度
- 输入价格
- $0.042每百万输入 token
- 输出价格
- 免费它根本不产出文本
- 时延
- 约 300 毫秒本机实测 p50 375 毫秒
2026-09-21 实测，走 api.typesafe.ai，jev-latest 解析到 jev-1.13.0。
| Jev | |
|---|---|
| 输入价格 | 每百万 token $0.042 |
| 输出价格 | 免费——它根本不产出文本 |
| 时延 | 约 300 毫秒；本机走官方 API 实测 p50 为 375 毫秒 |
| 多问几题 | 同一次前向答完——只多付题目的 token，不多一次调用 |
| 单次请求 | 64k token；state 加最长的单题 ≤ 32k |
| 速率上限 | 250k token/秒，1,200 次请求/分钟 |
| 输入类型 | 只收文本 |
换算成实际花销：我们规模最大的那次实验，530 次调用一共 $0.027。
jevbooks 怎么用 Jev
这个图鉴里的每个项目，都是 Jev 判的，不是大模型判的。仓库提交进来先过一道 noul 门——「这东西真的是讲 Jev 的吗」——然后是八道关于 README 的窄问题：Jev 是不是主角、有没有报告实测数字、有没有讲怎么处理不确定性、能不能跑起来、有没有体现 System One 模式、它解决的问题有多普遍、是不是在复刻模型本身、会不会推荐给正在学 Jev 的人。
卡片上的说明文字是大模型写的；结论和每一个概率都是 Jev 给的，卡片上会标明哪句话是谁说的。编辑方针就这么多。
截至 2026年9月21日，图鉴里收录了 410 个项目。
常见问题
Jev 是大模型吗？
不是。它和大模型共用 transformer 那套底子，但没有生成 token 的解码器：返回的只有一个带类型的答案和一份概率分布。你没法跟它聊天，也没法让它解释自己。
Jev 能写代码吗？
不能，它什么都不能生成。正确的分工是：让大模型一次性把代码和题目写出来，再让 Jev 把同样的题目答上一百万遍。
它和我自己微调一个分类器有什么区别？
类别是在调用时用自然语言定义的，不是躺在训练数据里；拿回来的是校准过的概率，不是 softmax 分数。改一条规则就是改一句话：没有数据集，没有训练，也不用上线。代价是分类器能从你自己标注的样本里学到的那部分，它学不到。
支持中文输入吗？
支持，中文 state 是实测过的——本站中文版首页的小玩具每次敲键都在发一份。也可以混着用：state 写中文，题目的 instructions 写英文。只收文本，不收图片和音频。
key 在哪里拿？
在 TypeSafe 控制台 console.typesafe.ai/keys 拿，文档在 docs.typesafe.ai。请求发到 POST https://api.typesafe.ai/v1/systemone，同样的 wire format 也可以走 OpenRouter 和 Vercel AI SDK。直接 fetch 就够了，不用装 SDK。