TypeSafe AI 发布 System One 模型 Jev：返回带概率的类型化决策而非文本，以托管 API 早期访问开放
作者分享用 Jev 构建低成本验证器持续核验智能体目标，尚在实验阶段
报道时间线
作者分享用 Jev 构建低成本验证器持续核验智能体目标，尚在实验阶段
2026-09-19T22:48:23.000Z · X：Elvis Saravia (@omarsar0, DAIR.AI)
作者称用 Jev 为其智能体框架的 /goal 功能构建自定义验证器，每轮检查目标是否完成，使持续验证成本足够低而可扩展，替代昂贵的推理模型并更频繁运行，以保持智能体不偏离目标。作者强调刚起步实验、已见良好结果但还需摸索基准方法，完整指南数日内发布。
评测：Typesafe AI的Jev决策模型在评审任务上快于其他热门LLM五倍以上
2026-09-19T20:47:48.000Z · X：OpenRouter (@OpenRouter)
作者使用Ori Eval在OpenRouter上将Typesafe AI的决策模型Jev与热门LLM在评审任务上对比测试，报告Jev比次快模型快5倍以上，且其最慢请求也快于其他模型的中位数。
TypeSafe AI 发布 System One 模型 Jev：返回带概率的类型化决策而非文本，以托管 API 早期访问开放
2026-09-19T18:41:33.000Z · MarkTechPost（RSS）
TypeSafe AI发布基于transformer但非大语言模型的Jev，接收状态和类型化问题，返回带概率的类型化决策，采用新架构、并行采样器和RLCD，仅以托管API早期访问（waitlist）提供，未公开权重、参数量或自托管选项。性能对比数字来自TypeSafe自家工作流评估，官方提示实际收益可能属高端且无法证明价格无补贴。
评论：Jev 试图在 Agent workload 下走完 BERT 未竟的 encoder 路线
2026-09-19T05:34:36.000Z · X：马东锡 NLP (@dongxi_nlp)
作者提出观点：Agent 场景带来大输入、重 KV cache 和频繁循环调用，使纯 decoder 方式昂贵；Jev 恰好等到这一窗口，试图补上 BERT 未走完的路线，在保留 GPT task generalization 的同时重新获得 encoder 和 classifier 式的决策效率。
Jev 团队承认模型仍不完善并征求社区反馈问题
2026-09-18T23:39:03.000Z · @typesafeai
发布方表示 Jev 仍太慢、太贵、太智能不足，还有更多改进手段，请社区在 Discord 的 model-jaggedness 频道发布所见问题，并列出已知的 jaggedness 问题文档链接。
typesafeai 推出决策模型 Jev：回答是非与多选题并给出置信度，称比 LLM 便宜且快 10 倍
2026-09-18T21:31:56.000Z · X：OpenRouter (@OpenRouter)
材料介绍 typesafeai 的 Jev，一个回答是非题和选择题并附带置信度评分的决策模型，作者称其比 LLM 便宜且快 10 倍，并把其定位为面向软件开发中大量决策场景的工具。性能说法为作者自述。
OpenAI 前研究员创办的 TypeSafe AI 发布非 LLM 新模型 Jev，主打低成本校准决策
2026-09-18T18:49:30.000Z · TechCrunch：AI（RSS）
由曾参与构建 ChatGPT 并发明 RLHF 的前 OpenAI 研究员 Almeida 创办的 TypeSafe AI，本周发布不输出文本而是输出概率（“校准决策”）的 transformer 模型 Jev；它速度快、成本低、按设计不能幻觉，开发者需求高到 API 一度无法服务，并被用于软件自动化、监控 LLM agent 和模型路由等场景。
Wasp 联合创始人 Matija 发布 45 秒视频称 Jev 审查 1000 个代码 PR 成本仅 7 美分，约为 Claude Opus 5 的 1/200
2026-09-18T16:01:52.000Z · X：阿易 AI Notes (@AYi_AInotes)
Wasp 联合创始人 Matija 的 45 秒解说视频在推特获得 100 多万播放，并被翻译成十几种语言。相关说法称审查 1000 个代码 PR 用 Claude Opus 5 约花 14.5 美元，而用 Jev 只需 7 美分，成本降低约 200 倍且半秒内返回结果；文章还引述开发者录屏实测称一次 API 调用仅 0.00007 美元，半秒内返回 14 项带概率的安全检查结果。Matija 称 Jev 不是陪聊大模型，而像逻辑回归，输入上下文直接输出概率和决策；文章称其输出布尔值和浮点数。上述成本与效果数据来自视频观点及文章引述的演示，非独立权威测评。
Jev 模型接入 Codex/Claude Code 实操：官方 Skill 与社区 jev-mcp 两条路线
2026-09-18T15:34:03.000Z · X：阿易 AI Notes (@AYi_AInotes)
文章介绍将只输出 Choice、Score、Noul 三种强类型结果的模型 Jev 作为主模型的“前置小脑”接入 Codex/Claude Code 的两种方式：官方 Skill 路线（npx skills add typesafe-ai/skills）用于任务路由与危险命令拦截，以及社区开源 jev-mcp 作为本地 MCP Server 供多分支决策调用。
作者评论：Jev 目前不构成绝对物理壁垒，真正护城河是 RLCD 校准强化学习
2026-09-17T23:11:24.000Z · X：karminski (@karminski3)
作者（发文者）认为，头部大厂若真要下场抄，Jev 目前构不成绝对的物理壁垒；其真正护城河是 RLCD（校准强化学习），意味着很难出现概率失真，但也意味着模型很刻板，就是用来干活的。