回顾
把 Jev 的来龙去脉收成一页：它是什么、两条原理、怎么用、能用在哪，哪些说法已被独立测试印证、哪些仍是官方口径，以及接下来值得盯的几件事。
作者 David更新于 第 8 篇（共 8 篇）
七篇读下来，Jev 可以用一句话概括：把“做选择”从大语言模型里拆出来，交给一个专门的、快而便宜的模型。它不写字，只按你事先定义的类型给出每个选项的概率。这一篇把全书收成一页。
它是什么
- 一个 System One 模型。借用卡尼曼“快思考 / 慢思考”的说法：Jev 负责窄而快的判断，大语言模型负责生成文本与深度推理，两者分工而不是互相替代（System One：快思考模型）。
- 一家刚走出“隐身”的公司的第一个模型。TypeSafe AI 于 2026 年 9 月 15 日发布 Jev 并开放早期访问；名字致敬提出“杰文斯悖论”的经济学家 Jevons（Jev 是什么）。
两条原理
- 并行给出全部答案。大语言模型要一个 token 接一个 token 地写，每一步都得等上一步；Jev 的输出空间事先定义好，可以一次并行给出。这也是“不会幻觉”这个说法的真实含义：它不会编出选项之外的东西，但仍然可能选错（原理一：并行采样）。
- 把概率当成要负责的东西。校准的意思是“说 85% 就真有约 85% 对”。官方只说 RLCD 让模型的概率对照真实结果来优化；奖励函数的具体形式（用不用 Brier 这类评分规则）、训练数据怎么造都没有公开，也没公布可靠性图、ECE 这类能直接检验校准的数据（原理二：RLCD 与概率校准）。
怎么用、用在哪
- 调用方式：一次请求由“材料”加“一组带类型的问题”组成，返回每个选项的概率与置信度；按输入 token 计费、输出免费（上手）。
- 适合的活：工单分诊与意图路由、Agent 动作审查与模型路由、检索重排、邮件分类这类“从有限选项里挑一个”的判断；官方还用 Doom 和维基竞速做了实时演示（应用）。
哪些已被印证，哪些还只是官方口径
| 说法 | 现状 |
|---|---|
| 比前沿 LLM 更快、更省 | 第一批个人独立测试印证了方向，但幅度比官方数字小得多 |
| 40–200 倍的速度、100 倍的成本优势 | 官方口径，只针对“System One 形状”的任务 |
| 已经校准 | 官方口径；没有公开的可靠性图或 ECE，独立数据只有样本很小的社区试测 |
| 公开基准上的成绩 | 官方刻意不公布；自家评测的参考答案来自别的模型 |
| 架构、参数量、训练数据 | 尚未公开；媒体报道里的说法彼此矛盾 |
官方文档也坦白列了它的短板：多一层间接的问题容易吃力，理解偏字面，不擅长对数值精度要求高的任务（局限与展望）。
接下来值得盯的几件事
- 有没有论文、技术报告或模型卡；
- 有没有独立机构的大规模评测，尤其是端到端的 Agent 工作流；
- 早期访问结束后的实际价格与限额；
- 非英语场景（包括中文）的表现；
- 杰文斯悖论会不会应验：判断变便宜以后，调用量是不是涨得比价格降得还快。
继续读什么
- 想弄懂大语言模型为什么只能逐字写：《AI 大模型解构》。
- 想看同期另一条前沿方向：《RSI 技术探究》——AI 怎样参与改进 AI 自己。
- 想看 Agent 是怎么搭起来的：《从 LLM 到 Coding Agent》。