先问一个问题：你现在的 AI 账单里，有多少钱是花在「让模型生成一段文字」上的？
再想一层：这些文字里，又有多少其实只需要一个「是/否」「A/B/C」或者一个分数？
TypeSafe AI 上周发布的 Jev，就是冲着这个问题来的。它的定义方式很反直觉：输入还是文本，但输出不是文本，而是浮点数。
它不说「这封邮件看起来像垃圾邮件」，它给你 `0.97`。它不写一段理由，它只给你一个置信度。
Simon Willison 在博客里引用了 TypeSafe 自己的说法：
> 把 Jev 理解成一个「前沿智能的函数调用」：非结构化的状态进，带类型的概率决策出。
价格：输出免费，输入比 GPT-5 Nano 还便宜先看最冲击的数字。常规 LLM 按输入和输出 token 计价，而且输出通常贵得多。Jev 只收输入的钱——输出免费。
它第一个模型的输入价格是 $0.042 每百万 token。作为对比，OpenAI 的 GPT-5 Nano 是 $0.05 每百万。也就是说，Jev 比市面上最便宜的「小模型」之一还要便宜。
速度上，Bytes 的说法是「约 40ms 给出每个答案正确的概率」。而且多个问题是并行评估的，你塞十个问题进去，耗时和塞一个差不多。
它只回答三种问题Jev 的 API 设计很克制。你构造一个「state」对象（一段文本、一个字符串数组、或者一组 name-value 对，用来描述一篇文章、一个客户、任意一条记录），然后带上一到多个问题发过去，每个问题都拿回一个答案。
问题只有三种：
是/否问题，TypeSafe 叫它 Noul 问题。CEO 在 Hacker News 上确认了，这来自 Bernoulli（伯努利）分布。你给一个陈述句，它回一个 0 到 1 之间的浮点数，表示它认为这句话为真的置信度。选择问题，从你提供的一组选项里挑一个——实际上返回的是置信度，外加一个覆盖所有选项的概率分布。打分问题，你给一串带描述的数值档位，它给一个落在区间里的浮点分。Simon 的判断是，理解 Jev 最有用的框架就是「决策模型」——任何能表达成分类任务的事，它都很擅长。垃圾邮件检测、建议标签、优先级排序、排名。
他自己的实验是拿它做搜索重排：先用 BM25 这种便宜算法捞出 100 个候选，再让 Jev 对这 100 个候选按相关性打分。
播客里的那一半：为什么是现在Latent Space 的 Swyx 请到了 TypeSafe 的 CEO Diogo Almeida——InstructGPT 论文作者之一，OpenAI 出身。这期播客把 Jev 背后的方法论讲得比官网清楚得多，值得单独拎出来。
第一，命名。 Jev 取自 Jevons Paradox（杰文斯悖论）：效率提升反而让总消耗增加。TypeSafe 的定位不是「更强的模型」，而是「每美元买到更多智能」。Diogo 说他们的北极星指标就是 intelligence per dollar。
第二，他们不用 RLHF，也不用 RLVR。 这是整期最硬的技术观点。
Diogo 把 RLHF 的谱系追到三篇论文——Christiano 2017（机器人后空翻）、Stiennon 2020（学习摘要）、Ouyang 2022（也就是他自己的 InstructGPT）。他的批评是：RLHF 训练的模型会「丢掉少数类，只做最常见的那些」，而校准（calibration）会「变成污染字符串概率分布的毒药」。这套机制直接导致幻觉和谄媚。
RLVR（用可程序化验证的输出做强化学习）能解硬题——比如那些 Navier-Stokes 的成果——但它会加剧「锯齿状智能」：模型在能验证的题上飞起，在不能验证的题上崩掉。
TypeSafe 提出的替代方案叫 RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习），一个尚未发表的、针对「在 System One 任务上给出认知上诚实的概率」的技术。它的北极星是：让程序在环里（programs in the loop）。
第三，他认为「拒答」在技术层是个类型错误。 这段观点很值得 AI 工具链的开发者读。
Diogo 反对在技术层做安全对齐。他的论证是：如果 AI 是埋在软件依赖里的，你「难道希望这个软件因为用户发了一句奇怪的话，就随机崩掉？」——他管这叫「纯粹的疯狂」。
他把「能力对齐」（做用户想要的事）和「安全对齐」（执行别人的指令）分开：后者对 ChatGPT / Claude 这种面向人的产品有意义，但对 API 没意义。他有个很形象的说法：
> 智能会更像一个数据库，而不是一个同事。
数据库不会去审查它的用户。
第四，他们追求的是鲁棒性，不是确定性。 Diogo 认为正确的目标不是「同样输入得到同样输出」，而是「相似输入得到相似输出」。他们的测试方法是往提示里塞 UUID 和 nonce，看语义等价的输出是否稳定。目前没有 seed，确定性「也许以后会有，但会牺牲每美元智能」。他们的承诺是：「我们部署模型时，不会偷偷改它。」 目前考虑给 Jev 1.13.0 这类版本做临时 LTS。
第五，他们自称数据实验室，不是模型实验室。 Diogo 的原话是：「你优化什么就得到什么，而机器学习最苦的一课是，它最重要的部分根本不是机器学习。」他的优先级是：算法 > 算力；数据 > 算力；而选对任务最重要。他还说自己「极度反对公开榜单」，理由是榜单可以被刷，是「多此一举的刷分」，他更信内部评测和「模型好闻的味道（vibe）」。
顺便给几个现场数字：Jev 发布时达到每天一万亿 token 的调用量，Discord 有十万人，发布视频约四千万播放。
但有个不舒服的地方：黑箱回来了Simon 对 Jev 有个坦率的保留意见，我认为这是每个想用它的人必须读的一段。
LLM 本来就是黑箱，但至少你可以问它「你为什么这么判断」。Jev 连这个都没有：你给它再多文本，拿回来的只有一个浮点数。 如果 Jev 把某样东西标成垃圾邮件，到底是哪段内容触发的？你不知道。
这就让偏见问题变得格外尖锐。Simon 说得很重：「我真的希望没人拿 Jev 去给求职者排名。」 那个浮点数可能藏着各种看不见的偏见，而想把偏见实验性地拆出来，会非常困难。
他做了个实验：让 Jev 给旧金山湾区的每个城市回答「这是个好城市吗」的是/否问题。结果——Cupertino 排第一，East Palo Alto 垫底。
嗯。
Simon 的结论是：这意味着 eval 和结构化实验，比在常规 LLM 项目里更重要。好消息是 Jev 足够便宜，跑几百上千次实验提示，成本也就几美分。
社区已经把梗玩疯了Jev 发布还不到一周，社区的花样已经超出所有人预期：
jevchat（Kyle Pena）把 Jev 变成了一个（很糟糕的）聊天模型。它的做法是每一步只问 Jev 一个问题：「给定用户的问题和已经写出的回复，下一个符号是什么？」Hacker News 上有人评价：「这是数字版的 Morty 对着死亡水晶说话。」jev-leftpad（Fatih Kadir Akın）用 Jev 实现了 left-pad。提示词是「value 前面需要多少个空格才能达到 targetLength？」，配一个从「需要 0 个空格」到「需要 10 个空格」的选择题。jev-2048（Andy Gayton）让 Jev 来玩 2048 这个滑块游戏。更值得注意的是开源复刻。Kev（Jared Palmer）基于 Qwen 3.5 做出了 0.8B、4B、9B 三个「类 Jev」模型；配套的 Hacker News 讨论里，已经有人挂出了 JevBench，专门比较「Jev 级决策模型」。Jev 才发布不到一周，生态热度已经相当夸张。
Simon 自己也动手了：他发布了 llm-typesafe，给自己的 LLM CLI 和 Python 库加上 Jev 支持。用法大概长这样：

llm -m jev 'Please refund my last payment.' \

-s 'Does this message explicitly request a refund?'

Bytes 总结的四种落地模式Bytes 第 522 期（标题就叫《Jev 的悖论》）把开发者正在摸索的模式归纳成了四类，我觉得比自己瞎想有用：
Speculative Fanout（投机式扇出）：一次查询里问多个问题，并行拿到全部答案。比如给一张客服工单同时判断类型、严重程度、用户愤怒值。Confidence Gated Routing（置信度门控路由）：用 Jev 给的置信度决定下一步。置信度高就直接执行，置信度低就加一个向用户澄清的追问。Composite Scoring（复合打分）：给 Jev 一份评分标准，它给所有维度一个综合分。最经典的例子是简历自动筛选——请注意，这正好撞上 Simon 警告的偏见问题。Intent Routing（意图路由）：意图是模糊的，但响应的决策树往往是确定的。让 Jev 站在复杂查询前面，分类、然后路由到对应处理。Bytes 的结论很直白：开发者早就受够了「文本之神替你做一切，然后月底给你一张离谱账单」。Jev 看起来就是那个开发者真正想要的、缺失的 AI 原语。
对独立开发者的启发Jev 这波热度里，藏着三条对做产品的人真有用的判断：
1. 把「生成文字」和「做判断」拆开算账。 如果你的 agent 里有一堆「分类、路由、打分、排序」的环节，它们根本不需要一个会写作文的模型。把这类活外包给决策模型，成本能降一到两个数量级，延迟从秒级降到几十毫秒。这是纯粹的结构性省钱。
2. 便宜到可以「暴力做实验」，这本身就是新能力。 $0.042 每百万 token 意味着你可以对同一批数据跑上千次评测，去调阈值、看分布、拆偏见。以前只有大厂做得起的事，现在个人开发者也能做。前提是你得真的去做——黑箱模型不给你解释，只给你数字，eval 是你唯一的抓手。
3. 开源复刻已经把路铺好了。 Kev 这类基于 Qwen 的复刻、加上 JevBench，意味着如果你不想依赖第三方 API，自己跑一个「类 Jev」的开源决策模型已经可行。MIT 或开放权重 + 便宜，是独立开发者能自己掌控的组合。
最后回到 Jevons 悖论本身。TypeSafe 起这个名字，赌的是「智能变便宜之后，用它的地方会爆炸式增长」。Diogo 在播客里说了一句话，我觉得是这整件事最好的注脚：
> 一个基于 AI 的经济革命又回到了桌面上，这太他妈棒了。
他还有个目标，听起来很朴素但野心极大：让 Jev 消失在背景里，像正则表达式一样不起眼，成为「认知的核心」——LLM 是 TCP，它是 UDP。
如果这个类比成立，那 Jev 的价值不在于它多聪明，而在于它足够便宜、足够快、足够无聊，以至于你写代码时会理所当然地用它，就像用 `if` 一样。
来源：simonwillison.net/2026/Sep/21/jev/
播客 www.latent.space/p/jev

Bytes 第 522 期 bytes.dev/archives/522