一句话说清：TypeSafe AI 的 Jev 是一台不生成一个字的模型——你扔给它程序状态和一串预定义问题，它一次前向就吐回带校准概率的类型化决策，专给软件当「智能 if」用。
2026 年 9 月 15 日，这家旧金山实验室结束约 2 年隐身期，放出首款 System One 模型 Jev。BusinessWire：DCVC 领投约 4000 万美元 seed；Forbes 等报道口径称估值约 2 亿美元（媒体口径，非公司官方定价）。CEO Diogo Almeida 曾参与 OpenAI 的 RLHF / InstructGPT / ChatGPT / GPT-4 相关工作——他现在反过来赌：软件真正需要的，是敢说不确定、敢给概率、敢被代码直接调用的决策原语。
官网对比节选：Jev 相对 LLM 工作流自测约 193.6× 快（厂商自测，非独立第三方认证）
先把收获压成几条，决定要不要往下看：
• 输出不是句子，是 Choice / Score / Noul 三种类型化答案 + 校准概率
• 无自回归：一次前向并行答完；官方称输出 token 免费，输入约 $0.042/MTok
• 延迟官方称 70–500ms；首页宣称约 193.6× 快、444.6× 便宜——当厂商自测读
• 「不能幻觉」= 类型外输出不可能；判断仍可错；校准是群体属性
• 仅文本；不会主动查世界知识——你塞什么 state，它就在那上面判断
下文：团队 → 原理 → 应用 → 实操 → 适合谁。文中「智能体」首次点明：指能自己多步规划并调用工具完成任务的 AI 程序。
① 谁在做：履历里藏着产品形状
名单堆砌没意思。更有用的读法：三人各自「被什么问题打过」，几乎直接塑形了 Jev 的接口。
TypeSafe 团队（官网团队页 · SF 办公室）
左起：Diogo Almeida（CEO）· Sasha Sheng（COO）· Erik Gafni（CTO）
Diogo Almeida · CEO：官网写他「共同发明了 RLHF 与 InstructGPT」；此前 Google Brain；Forbes 口径：OpenAI 约 4 年优化 ChatGPT 式回答，2024 年离开创办 TypeSafe。他的转向很刺：RLHF 把模型推向取悦人类之后，下一张牌押在「取悦软件」——接口必须像函数，不能像散文。fun fact：曾打进北美英雄联盟前 30、炉石传说前 2。
Sasha Sheng · COO：前 Meta / FAIR，做过 News Feed、AI Experiences；NeurIPS / ECCV 发表；自称 2023 年赢过 7 场 hackathon。把研究原语翻译成开发者一天能抄走的 API、文档与节奏——发布一周内 OpenRouter、Vercel AI SDK、jev-mcp / Pi auto-mode 围上来，不是偶然。API 只有三种原语，很可能是刻意：能进生产的接口，必须少到记不住也会用。
Erik Gafni · CTO：连续创业者（Ravel 多模态 AI + DNA，曾融资约 $9.5M）；早期走过 Invitae、Freenome；哈佛医学院做过生信 / ML；曾任 Eventum AI Head of ML。履历关键词是「嵌进会付钱、会告警的流水线」。Jev 的类型洁癖，很像医疗基因流水线：宁愿放弃生成，也要先保证类型宇宙封闭。
融资底色：DCVC 领投约 $40M seed；估值约 $2 亿为报道口径。团队来自 OpenAI / Google Brain / Meta FAIR / Stripe / Airbnb / Plaid / Docker 等；SF 办公室五天到岗。这不是套壳做客服的故事，而是一群人主动放弃字符串生成，去赌软件原生的决策层。
② 原理：System One、三种原语、RLCD
命名借自卡尼曼《思考，快与慢》。System 1：快、直觉、并行；System 2：慢、深思、串行。TypeSafe 把新模型叫 System One Models——不是说更草率，而是承认：软件里绝大多数判断本就是快判断（这单归谁？紧急吗？是否越狱？）。过去租完整推理大模型做这些事，像每次过马路都请数学家解最优路径——能做，但贵、慢、爱跑题。
名字 Jev 致敬杰文斯悖论：蒸汽机更省煤后，煤总消耗反而上升——效率把用途扩大了。他们的类比：智能每便宜一个数量级，用例就炸一个数量级。所以不做「更会写长文」，做「便宜到能塞进每个 if」的决策原语。
官网隐喻「String Tax」：生成字符串的额外税负 vs 类型化决策的干净路径
接口形状一句话：state + questions → answers。
• state：文本或程序状态（字符串 / JSON / 文本数组）；目前仅文本
• questions：预定义问题字典；每个指定类型与指令；Choice 还要选项释义
• answers：结构化答案 + 概率分布 + confidence；软件直接分支，不必再祈祷 JSON 解析成功
和 LLM JSON mode 的关键差：LLM 仍在生成字符串再约束；Jev 的输出空间在调用前就被钉死，类型错误在构造上不可能。
整个 API 几乎只有三种原语——这是设计哲学，不是功能残缺：
• Choice：最多 255 选项里选一；返回键、概率分布、confidence；可加 other。高基数（如 Wikiracing）官方用两阶段：先打分再 Choice
• Score：文字描述的 2–10 级量表；可落在级别之间（如 1.4）
• Noul：是/否，返回 0–1 概率。紧急吗？要退款吗？是否越狱？一条概率搞定
一次调用可同时问：归哪个团队（Choice）、客户有多火大（Score）、是否明确要求退款（Noul）；再用普通 if 拼工作流。官方爱说的比喻：「智能 if 语句」。
官方风格示意：Triage → Disposition → Containment；Bool / Score / Choice 并行「读」状态
RLCD = Reinforcement Learning for Calibrated Decisions（校准决策强化学习）。对照：RLHF 优化人类偏好（爱表演确定性）；RLVR 优化可验证奖励（数学等）；RLCD 优化「在 System One 任务上给出认识上诚实的概率」——更高置信应对应更高准确。校准是群体属性，不保证单次正确；Jev 仍会错，价值在于更可能把「不太确定」写进概率，让门槛逻辑接得住。
采样并行：一次前向吐出所有答案，不是逐 token 往后咬。官方定价口径（可能调整）：输入约 $0.042 / MTok；输出 token 免费；延迟官方称约 70–500ms。首页大字约 193.6× 快、444.6× 便宜——厂商自测，非独立第三方认证。官方自己摊开的 nuance 包括：评测多从美西笔记本打到其机房；无法证明定价无补贴；工作流由内部能力团队制作或有偏见；参照取前沿模型平均，偏向 OpenAI / Anthropic 系；对照 LLM 走了 System One wrapper（更准也更慢更贵）。正确姿势：拿自己的工单 / 护栏数据复现，别写进对外 SLA。
厂商工作流评测：准确率 vs 成本散点（Jev 落在便宜一侧 · 厂商自测）
厂商自测：结构化输出 / 工具调用错误率对比——Jev 标 0%（类型外输出不可能，不等于判断永不错）
「不能幻觉」边界钉死：
• 类型外输出不可能：没声明的选项不会冒出来；schema mismatch 构造上为 0%
• 判断仍可错：选了 billing 也可能是技术问题；类型正确 ≠ 语义正确
• 校准是群体属性：长期高置信更准；单次仍要门槛与人工兜底
• 无世界知识主动检索：只知道你传入的 state；查库搜网得你自己拼进去
一句话：消灭的是「格式幻觉」和「类型漂移」，不是「认知错误」。软件自动化要的第一层安全，往往正是前者。
③ 应用：智能 if、级联智能体、生态触手
最直白：把「调一次 GPT 再正则抠字段」换成 Jev + 本地 if——
• 工单路由：Billing / Technical / Sales + 紧急度 Noul
• 内容与安全：护栏、越狱检测——不确定就人工
• 对 LLM 输出打分：相关性、完整性、是否胡编工具调用
• 推荐重排、个人自动化（邮件是否值得打断我）
共同点：答案集合已知，仍需语义理解；错一次可用阈值调节；调用频率高到前沿 LLM 会烧钱烧延迟。
官网视觉：把判断从「生成散文」里拆出来，交给机器可读的决策层
构建智能体系统时，值钱的往往不是「一个模型通吃」，而是级联：Jev 做高频类型化决策（路由、是否继续、是否调工具）；确定性代码做校验 / 事务 / 权限 / 审计；前沿 LLM 只吃少数需要生成与长推理的步骤。按操作设门槛：低代价高置信自动；高代价要更高置信或人工；低置信升级大模型或人——得到可审计边界，而不是整条链路一个模糊准确率。
官方 demo：Doom 吃结构化游戏状态选合法动作（目前是文本状态，不是像素）；Wikiracing 演示高基数 Choice 与「不幻觉链接」。团队调侃过每秒约 10 次查询（约 $7/小时量级）比预期便宜。
Jev 标识（官网）
发布后几天就长出来的生态：
• OpenRouter：`typesafe/jev-1.13`，走 Decisions API（不是普通 chat）
• Vercel AI SDK：`experimental_evaluate`，经 AI Gateway 调 `typesafe-ai/jev`
• jev-mcp：挂进 Cursor / Codex / Claude Code 等智能体宿主
• jev-harness / Pi auto-mode：工具边界 go/no-go，失败则闭（fail closed）
• 开发者站 jevai.dev：用例与对照表
④ 实操：申请、最小调用、三档门槛
• 官网 waitlist：https://typesafe.ai/
• 或 OpenRouter：模型名 `typesafe/jev-1.13`，端点 Decisions API
• Vercel：AI SDK 指南 + AI Gateway
• 密钥只放服务端；浏览器直出等于公开钱包
下面是改编自 jevai.dev / OpenRouter 风格的最小 TypeScript 示例——整段复制到服务端；阈值 0.8 只是示意，必须用自己的数据标定。
const apiKey = process.env.OPENROUTER_API_KEY; if (!apiKey) throw new Error("Set OPENROUTER_API_KEY"); const response = await fetch("https://openrouter.ai/api/alpha/decisions", { method: "POST", headers: { Authorization: "Bearer " + apiKey, "Content-Type": "application/json" }, body: JSON.stringify({ model: "typesafe/jev-1.13", state: "My card was charged twice. Please help ASAP.", questions: { department: { type: "choice", instructions: "Which team should handle this?", criteria: { billing: "Payments and refunds", technical: "Bugs and integrations", sales: "Pricing and upgrades" } }, urgent: { type: "noul", instructions: "Does this message need urgent attention?" } } }) }); if (!response.ok) throw new Error("Jev request failed: " + response.status); const { answers } = await response.json(); // 高置信自动、中间人工、低置信升级 LLM——阈值请用自己的数据标定 if (answers.department.choice === "billing" && answers.urgent.noul > 0.8) { // route to billing review queue }
• 高置信：自动执行（写审计日志，允许抽检）
• 中间带：人工队列 / 二次确认（退款、封禁、对外发送尤甚）
• 低置信：升级前沿 LLM，或让用户补信息后再问 Jev
runbook 提醒：先在历史工单上离线回放画校准曲线再定阈值；记录模型版本与 questions schema 版本；把 state 拼完整（缺上下文的自信错误最常见）；高基数 Choice 预留两阶段；与 LLM 级联时明确哪一步允许生成。
⑤ 适合谁、不适合谁
适合：
• 答案集合明确、日调用量大、延迟敏感的产品链路
• 智能体里每步都要做的小裁判：是否调工具、是否结束、是否违规
• 对格式错误零容忍的流水线（金融工单、安全运营、客服路由、内容审核）
• 想用级联把 80% 判断交给便宜决策层，把前沿 LLM 成本打下来
不适合：
• 要写邮件 / 代码 / 分析报告——Jev 不生成一个字
• 要看图听音看视频——当前仅文本
• 要模型自己上网查最新事实——它不主动检索
• 答案空间无法预定义、必须开放探索的研发任务
• 想把「厂商自测 193.6×」直接写进对外承诺——请先独立复现
收束：Jev 不像又一个聊天模型，更像把「判断」从提示词里拆出来，变成软件可依赖的函数。Diogo 他们用 RLHF 教模型取悦人类之后，又用 RLCD 教模型对软件诚实——下一步不是转发倍数，而是挑一个你已经在付 LLM 钱的小判断，用自己的数据跑一周对照。
Diogo Almeida · TypeSafe CEO（官网团队页）
链接
TypeSafe 官博 · Introducing System One Models & Jev
https://typesafe.ai/blog/introducing-system-one-models-and-jev
TypeSafe 官网
https://typesafe.ai/
团队页
https://typesafe.ai/team
开发者向说明 · jevai.dev
https://jevai.dev/
BusinessWire · $40M seed（DCVC 领投）
https://www.businesswire.com/news/home/20260915525333/en/TypeSafe-AI-Emerges-From-Stealth-With-%2440M-in-Funding-With-New-Model-for-Composable-AI
Forbes · 约 $2 亿估值报道口径
https://www.forbes.com/sites/the-prompt/2026/09/15/this-200-million-startup-wants-to-fix-ais-overconfidence-problem/
OpenRouter · typesafe/jev-1.13
https://openrouter.ai/typesafe/jev-1.13
Vercel · Jev + AI SDK
https://vercel.com/kb/guide/typesafe-jev-and-ai-sdk
中文解读参考 · Eigent
https://www.eigent.ai/zh-CN/blog/typesafe-ai-jev-system-one-models
依据 TypeSafe 官网 / 官博（2026-09-15）、BusinessWire、Forbes 报道口径、jevai.dev 与 OpenRouter / Vercel 公开文档整理；文中「智能体」= 能自己多步干活的 AI；193.6× / 444.6× 等为厂商工作流自测，含官方已披露 nuance，非独立第三方认证；估值约 $2 亿为媒体报道口径。底部「阅读原文」指向 TypeSafe 官博。
