把它当成一个「聪明的 if 判断」。流程、算术和最后拍板都还在你的代码里；Jev 补上语义判断，以带类型的数据返回，让代码据此行动。
一次请求可以带几十道题，对同一个 state 并行判断，计费包含 state 和题目的 token。它的训练方法叫 RLCD（面向校准决策的强化学习）：是非题返回 0.5，表示现有信息无法偏向「是」或「否」，可以据此弃权；这不是一个「中等」评级。
Jev 1.14 于 2026 年 10 月 14 日发布。1.13 和 1.14 都可实验性读图；返回图中目标位置的 Box 需要 1.14。jevbooks 的示例和试玩目前演示文本与下面三个常用决策题型。
三个常用决策原语
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。1.14 另有实验性 box，返回四条边的归一化坐标与 confidence。目标不存在时它仍会返回框，要同时用一道 Noul 判断目标是否存在。
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
这些工程边界来自 TypeSafe 已发布的 1.13 jaggedness（能力参差）说明与本站 9 月实验。切换模型版本时，仍要用自己的样本核验具体表现。
- 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。
2026 年 9 月的文本检查器实验，曾把图片编码当普通文本发送，拿到 HTTP 200 和接近 0.5 的答案；那不是正确的图片请求。现在图片通过 assets 与 TypeSafe-Danger-Zone-Images: true 开启，不能拿 0.5 当作不可读输入的通用检测器。先校验输入是否符合工具约定，再发送。
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
时延来自 2026-09-21 的文本请求实测，走 api.typesafe.ai，jev-latest 解析到 jev-1.13.0。价格和限制于 2026-10-22 核对官方文档；这些时延不代表 1.14、图片或长上下文的表现。
| Jev | |
|---|---|
| 输入价格 | 输入每百万 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 |
| 默认上下文 | state 加全部题目 ≤ 64k token；state 加任意单题 ≤ 32k |
| 实验长上下文 | 加 `TypeSafe-Danger-Zone-Long-Context: true` 后，两项上限均为 262k；更慢且准确率更低 |
| 速率上限 | 按组织配置，以 console.typesafe.ai/rate-limits 为准 |
| 输入类型 | 文本和 JSON；实验图片需 `assets` 与 `TypeSafe-Danger-Zone-Images: true` |
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
图鉴的八道信号题把仓库名与描述、已有摘要和 README 前 700 个字符交给 Jev。另外有一道 noul 门问「这东西真的是讲 Jev 的吗」；信号题判断所给材料支持什么：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。这些是模型针对有限文本快照的判断，不代表完整源码审查，也不能证明项目实际可运行。
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11月4日，图鉴里收录了 2112 个项目。
常见问题
Jev 是大模型吗？
Jev 是专门返回类型化决策的 System One 模型，不生成自由文本。按题型可以返回概率、选项、分数，或实验性的图像框。你没法跟它聊天，也没法让它写一段解释自己的答案。
Jev 能写代码吗？
不能，它不写代码或自由文本。可以让大模型先写好代码和题目，再让 Jev 反复回答这些题目，按输入 token 计费。
它和我自己微调一个分类器有什么区别？
类别在调用时用自然语言定义，不需要针对这些类别重新拟合模型权重。Jev 以校准判断为训练目标，但不保证在你的领域已经校准：仍需在标注样本上与分类器比较，包含错误与未判情况。改规则不用重新训练模型，但上线前仍需评估。
支持中文输入吗？
支持，中文 state 是实测过的，也可以混着用：state 写中文，题目的 instructions 写英文。英语仍是主要训练语言，中文题目需要用自己的样本验证。1.14 公告称改善了多语言表现，但本站旧实验不能证明改善幅度。
Jev 能读图片吗？
可以，1.13 和 1.14 都有实验图片输入。需要通过 assets 发送，并加 TypeSafe-Danger-Zone-Images: true 请求头；把 base64 塞进普通文本 state 不够。Box 定位需要 1.14，应同时用 Noul 判断目标是否存在。jevbooks 试玩目前只接文本；音频和视频不能直接输入。
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；官方也有 Python（typesafe-sdk）和 JavaScript（@typesafe-ai/sdk）两个 SDK。一步步的做法见 jevbooks.com/zh/jev-quickstart/。
16 种设计模式
每一种都是你会撞上的一个问题、一条出路，和走过这条路的项目。
你的工具链里的 Jev
把 Jev 接在你已经在用的工具旁边的项目。
- Claude Code
- oh-my-claudecode · fast-jev-compaction · agent-beacon
- Codex
- agent-beacon · memsearch · agentconnect
- MCP
- photoshop-mcp · jev-mcp · JevRouter
- Chrome 扩展
- VideoAdGuard · jev-voice-browser · unclutter
- OpenCode
- agent-beacon · memsearch · foreman