Jev 是个啥？为什么大模型做自动化终于不卡了

平时我和很多朋友折腾智能体时，最常遇到的折磨就是太慢，还容易莫名其妙卡死。比如我让 AI 点击某个提交按钮，大模型不是抬手就点，而是在后台默默写下一长串文本。从页面分析到状态确认，它非得逐字把作文写完整，系统再从文字里抠出动作去执行。只要打字时少打了一个闭合括号，后面的自动化流程就会当场报错瘫痪。

这就像你开车快要撞上障碍物了，副驾驶坐着一位慢条斯理的军师。他看到危险没有立刻踩刹车，而是掏出信纸写几百字心得，论证撞车是不明智的，结论是应当立刻制动。等他把这篇长文写完念完，车早就撞碎了。我们动辄调用上千亿参数的语言模型逐字往外蹦，耗费数秒就为了在几个按钮里选一个，既慢又贵，极其脆弱。

写文与按键

传统大模型写作文与 Jev 强类型决策模型的机制对比

前 OpenAI 研究员 Diogo Almeida 创立的 TypeSafe 团队，推出了名为 Jev 的新模型。这个模型的核心思路极其直接，要决策，不要长篇大论。

在认知心理学里，人的思考分为快思考与慢思考。大脑里既有慢吞吞的逻辑推理，也有不过脑子的肌肉反射。飞来小虫你会本能闭眼，碰到开水瞬间缩手，这些反应不需要在大脑里写说明文。现在的很多智能体之所以让人抓狂，根本原因就在于缺失了肌肉反射。哪怕是最基础的按钮选择，都要唤醒慢吞吞的大脑重新写一遍作文。

Jev 做的事情，就是给 AI 补齐这套肌肉反射神经。它根本不生成自然语言文本，不是传统的自回归打字模型。当你把当前的状态塞给它时，它直接在一次计算里输出强类型的结构化结果。考试做选择题时，普通大模型非要在答题纸上写满心得体会才写出选项，而 Jev 就像你手里的铅笔，扫一眼题目就直接在答题卡上涂黑。

海外技术社区对 Jev 工业化决策特性的讨论与原声评价

在技术社区里，大家最推崇这种务实的工业化取向。Diogo Almeida 曾留下一句被广泛讨论的话，「我们在做工业级的产品，不是在造全知全能的上帝」。由于它不需要逐字生成长文本，不仅将单次微观决策延迟压缩到了几十毫秒，更把计费打了下来，输入每百万 Token 仅需零点零四二美元，而输出完全免费。更重要的是，它先天杜绝了格式幻觉，不会出现字段缺失或括号未闭合的问题。

实测见真章

日常业务中最头疼的是客诉分流与风险识别。当用户发来一段满是怒火的信息，「手机屏幕到手就碎了，客服两天不理！再不退款我立刻去 12315 投诉并报警！」，系统必须在极短时间内完成精准判断。在实际测试中，我无需让模型写长篇分析，而是在一次请求中并发抛出四个强类型决策问题。

import requests

# 单次请求并发抛出 4 个强类型决策问题
payload = {
    'state': '手机屏幕收到就碎了，客服两天不理，不退款就投诉报警！',
    'model': 'jev-latest',
    'questions': {
        'dept': {'type': 'choice', 'criteria': ['售后纠纷', '物流查件', '技术咨询']},
        'anger': {'type': 'score', 'criteria': ['平和', '着急', '极度愤怒']},
        'legal_risk': {'type': 'noul', 'instructions': '是否包含法律监管与投诉风险'},
        'action': {'type': 'choice', 'criteria': ['紧急加塞主管', '常规排队', '自动安抚']}
    }
}

headers = {'Authorization': 'Bearer YOUR_API_KEY'}
res = requests.post('https://api.typesafe.ai/v1/systemone', headers=headers, json=payload).json()

# 代码可直接根据确定性的布尔值或枚举做 if 分支
if res['answers']['legal_risk']['noul'] > 0.85:
    escalate_to_manager(res)