分享下知名科技媒体「Every」对新模型 Jev 的评测，你大概就能清楚它为什么这几天会风靡科技圈，也能更清楚它的用武之处：

并非每个语言模型都必须要成为聊天机器人。企业在后台运行的业务流程中，需要快速、廉价且可靠的 AI 工作流：决定将客服请求路由到何处、核对发票是否与采购订单一致，或是将交易归类为潜在欺诈。

今天，新型 AI 实验室 TypeSafe 推出了 Jev，这款全新模型旨在生成代码可直接调用的结构化答案。

你只需要用大白话提问，即便问题非常主观或模糊，它也能针对是/否或你自定义的标签，直接返回对应的置信概率。

你可以把它想象成一个智能的 if-then 语句，用来决定自动化工作流中的下一步操作。

假设你在写一个客服工单系统，想按紧急程度排优先级。你在代码里向模型提问：“这位客户听起来很生气吗？”Jev 可能会返回 0.9。基于模型训练学到的规律，这一数值代表有 90% 的概率是肯定的。

你也可以提供自己定义的分类，例如“微愠”（annoyed）、“恼火”（irritated）、“感到被冒犯”（offended）、“狂怒”（furious）和“暴怒”（enraged），并得知该客户有 60% 的概率被归类为狂怒，而暴怒的概率仅为 10%。

得到 0.9 的回答（极有可能处于愤怒状态）后，软件可能会自动将客户问题升级给主管处理，而如果回答是 0.1（不大可能生气），该请求的优先级就可能被调低。

但聊天机器人的底色是输出客套的长篇大论，比如回复“您说得太对了，这位客户听起来确实怒气冲冲。需要我以友好安抚的口吻起草一封回信吗？”，而不是给出一个冰冷的数字。

程序需要的是 0 到 1 之间的数值，塞给它一篇小作文只会导致系统崩溃。

以往我常用 DSPy（一个用来给模型编程的 Python 框架）费尽心思地诱导 LLM，让它按指定格式吐出数据，而 Jev 原生就能做到这点，且快得惊人，成本也低得不可思议。

至于它在实际任务中的交付质量究竟如何，目前还是个未知数。

▶ 决策训练

TypeSafe 的思路是：直接训练模型输出下游软件决策所需的结构化结果。核心目标是让模型的置信度与实际命中率精准对齐：如果它判定 100 条客服留言中有 90% 的概率带怒气，那么现实中就该有大约 90 条确实是在发火。

模型返回的结果格式规范，且具备高度校准的概率值，以便下游代码据此触发下一步操作。TypeSafe 将这种训练方法称为 RLCD（校准决策强化学习）。

像 DSPy 这样的框架固然能帮开发者提升 LLM 在企业场景中的可靠性，但本质上，你依然是在强行把自由文本拧成结构化代码的形状。

TypeSafe 联合创始人 Diogo Almeida 在谈及研发初衷时对我直言：“问题恰恰出在文本本身。”

在 OpenAI 任职期间，Almeida 曾是 2022 年 InstructGPT 核心论文的合著者，该研究证实了人类反馈能让模型更稳定地遵循指令，直接为同年底 ChatGPT 的横空出世打下了地基。

如今，他的目标是做出一款更易构建高可靠工作流的模型，在吞吐速度与推理成本上真正接得住大规模工业级生产的检验。

正如 TypeSafe 团队的那句口头禅：“我们要造的是能上生产环境的工具（prod），而不是全知全能的神（God）。”

得益于 Almeida 团队研发、并经由 RLCD 训练的 System One（系统一）架构，Jev 彻底摆脱了传统 LLM 逐字、逐 Token 吐字生成的拖沓节奏。它能在几百毫秒内并发处理多个提问，综合成本也仅为常规 LLM 查询的零头。

Jev 的定价是每十亿 Token 42 美元，而市面上的 LLM 大多按每百万 Token 计价。

更极致的是，TypeSafe 甚至不对输出 Token 计费。Almeida 评价道：“这些输出便宜到了懒得计量的程度。”

▶ 极限实测

我先做了一个极限测试：把自己在 Every 上发表的全部 27 篇文章，外加 10 篇刻意写成 AI 腔调的对照文章，一股脑全喂给 Jev。随后，我对这 37 篇文章同时并发抛出相同的 21 个问题，地毯式排查 AI 味。

这套问题清单提取自我们内部专打 AI 写作通病的质检规则，比如：“文章是否在缺乏论据时车轱辘话来回说？”“是否强行凑出‘各打五十大板’的对称论证？”“是否对显而易见的浅显概念过度解释？”

仅仅耗时不到 0.7 秒，Jev 便读完了整整 37 篇长文，并逐一回答了每篇底下的全部 21 个问题。

它一次性输出了 777 个明确判断，消耗的成本折算下来只有四分之一美分。这番速度与开销，意味着你哪怕想把全公司所有人写过的所有文字通通筛一遍 AI 质检，结果也能秒级呈现。

当然，敢不敢完全信任这套结果是另一码事。细看分类结果，Jev 确实精准挑出了我那几篇对 AI 依赖度较高的稿子，但在敢将其挂载到正式生产线之前，我依然会要求做一轮更严苛的准确率校验。

可即便有此保留，它作为一道前置预警网也已足够超值：毕竟，不用它的代价就是直接裸奔。

我总共运行了 11 项实验来探索不同的用例（这里有一份更详细的说明），例如：

查找上下文：查找正确的代码文件，协助 Agent 浏览代码库，检索能够回答某个问题的公司政策。

检查工作：对客户支持回复进行评分，标记 Agent 提议的高风险操作，检查我的写作中是否存在 AI 痕迹。

做出决策：对初创公司的路演提案进行排序，对需要帮助的客户进行优先级排序，识别需要 CEO 参与的决策，决定哪些邮件需要在今天回复，询问 100 位模拟人物他们会点击哪则广告。

贯穿这一整套评测，TypeSafe 累计给出了 1,709 次判定，预估总开销还不到一美分。

这些测试场景是我借助 Codex 里的 GPT-6 Astra 搭建的。它完全不需要我额外引导，自己就读懂了 TypeSafe 的开发文档。

而这正是传统 LLM 的用武之地：它们擅长编写查询条件，并直接消费返回的结构化数据。

▶ 流程质检

在软件工程里，Linter（代码检查工具）是一种能在你写代码时即刻揪出语法错误、捕捉 Bug、识别不良模式并统一代码风格的静态检查工具。

而 TypeSafe 的模型擅长把模糊任务极速转化为清晰的结构化答案，恰好能成为知识工作领域的代码 Linter。

只要让 Codex 或 Claude 接入 Jev 并配上一份排查清单，大模型就能随时给自己的输出做体检，排查掉你提前设定的禁忌。

在 Every，我正为全公司每位员工搭建个性化的能力评测基准。既然打分工作总得有人做，我便一直在用 AI 来给其他 AI 的输出把关。

具体做法是：挑出你日常处理的 5 到 10 项高频任务，存好范例，再把你的主观偏好转化为一个个明确的合格/不合格检查点。比如：“这份 PPT 符合品牌调性吗？”“这篇社媒文案开头够不够抓人？”或者“模型的推荐和我的思路一致吗？”

我们将模型的判定与你的真实判断反复比对并持续调优，直到这套评分能切实指导你在实际工作中选用哪款模型或技能组合。

Jev 的极速与廉价，让这类检查不再局限于事后抽检少数标杆任务，而是能在任务推进的过程中多次、实时地随行触发。

Every 首席执行官 Dan Shipper 更直接地测试了这套代码 Linter 方案。针对这次测试，他专门生成了 12 个测试样本文段，其中 6 段行文清晰，另外 6 段则故意埋入逻辑缺陷，并让 Jev 和 Fable 5.1 同时运行同一套四项写作质检。

这 4 项检查直指具体瑕疵：某项行动是否缺乏合理解释、论证链条是否脱节、是否用实现机制偷换了最终结果，以及某个断言是否歪曲了引用的信源。

在单段文本的处理上，Jev 的耗时中位数为 0.35 秒，而 Fable 5.1 在高算力消耗（high effort）模式下耗时 8.83 秒，Jev 快了近 25 倍，预估调用成本更是只有后者的 1/580。

不过在准确度上，预设的 7 处缺陷中 Jev 抓出了 6 处，Fable 则是 7 处全中。

比如有一段写道：“一个由家长与教职员工共同去‘教’的共享预约日历”。究竟什么叫“教日历”？

面对这种违背常理且未作解释的操作，Fable 一眼就揪了出来，而 Jev 跑了三次测试全部漏检。但考虑到成本只是对方的一个零头，7 处查出 6 处的成绩已经足够亮眼。

正如 Astra 凭借出色的 Computer Use（电脑使用）能力重构了工作方式，这类专攻轻量判定的小模型也将开辟新的可能性。

试想一下：Codex 或 Claude 每写完一个段落，就顺手调用 Jev 跑一遍规则质检，一旦 Jev 标记出潜在问题，主写作模型立刻复查并就地修正，确认无误再继续下一段。

最终呈现在你眼前的，将是一份通关所有质检规则的终稿，人类再也不需要被死死绑定在每一个审校环节中充当人工安全带。

▶ 落地建议

如果你正在用 AI 搭建应用或工作流，不妨从日常中那些最频繁、最机械的判定环节切入，作为检验 Jev 的试金石。

拿我自己的场景来说，就是两件事：Agent 是否找对了上下文，以及输出结果是否达标。

正是由于 TypeSafe 将速度提了上去、把成本压到了地板，我们才敢在任务执行的每个节点上高频追问这几个问题，而不必把风险全积压到流程终点让人肉兜底。

对于在自动化工作流方面涉水不深的开发者而言，驾驭这种新型模型可能需要打破既有思路，但只要你的业务场景存在输入模糊问题、索取结构化判定的需求，Jev 都值得立刻上一套实测。

我们很难得遇上一种全新形态的模型，而过去受制于成本与延迟而无法落地的构想，眼下正迎来转机。你不妨翻出那些曾因现有 LLM 分类太慢、太贵而被搁置的 Idea。

将其准确率与通用 LLM 横向对比，看它能否胜任你的业务精度。归根结底，衡量它的终极标准只有一个：根据它的判定直接驱动下游动作，到底有没有让整套工作流变得更好。

Jev为何火爆AI圈