摘要本文深入浅出地介绍由前 OpenAI 核心研究员 Diogo Almeida 创立的 TypeSafe AI 公司于 2026 年 9 月 15 日正式发布的Jev——一个专为软件和 AI Agent 设计的“System One系统一”决策模型。文章将带你快速理解它的核心定位、技术架构、性能表现与典型应用场景帮助你判断它是否适合你的项目。 核心定位从“聊天智能”到“机器原生智能”TypeSafe AI 认为未来99% 的 AI 交互将是机器对机器AI-to-AI或机器对软件AI-to-Software。传统大模型为“人机对话”设计输出自由文本这在代码集成时会导致解析困难、类型错误和幻觉等问题。因此Jev 的设计哲学是Machine Native Intelligence机器原生智能即让 AI 的输出像软件函数一样结构化、可靠、可测试。核心取舍放弃字符串生成通用性换取类型安全、校准置信度、极致速度和低成本。⚙️ 技术架构与核心机制Jev 的技术架构围绕“类型化决策”展开主要包含以下四大机制输出原语Jev 不生成文本只输出三种类型化决策Choice从最多 255 个选项中选择一个并返回完整概率分布。Score根据预设标准2-10 级进行数值评分。Noul进行“是/否”判断并附带校准后的概率。运作方式你提供一段非结构化状态如邮件、对话记录并定义好问题Jev 会在一次并行查询中返回所有问题的结构化答案与置信度供代码直接消费。训练方法采用其自研的RLCDReinforcement Learning for Calibrated Decisions基于校准决策的强化学习方法并在纯合成数据上训练。命名典故名字取自丹尼尔·卡尼曼的“系统一”快速直觉和 economist William Stanley Jevons 的“杰文斯悖论”资源越高效便宜用得越多。⚡ 性能表现极致的速度与成本Jev 在速度与成本上对传统 LLM 形成了降维打击具体表现如下维度关键数据速度单次决策延迟70-500 毫秒特定任务比前沿大模型快最高 193.6 倍实测分析 724 条广告仅用约40 秒。成本输入价格仅每百万 token 0.042 美元输出完全免费成本可降至前沿模型的约四百分之一最高便宜 444.6 倍。准确性与一致性Agent 评估实验中 0-Shot 准确率达93%连续评分一致性表现突出。采用速度发布 24 小时内近13%的 Vercel 付费团队接入是 GPT-5.6 同期数据的两倍以上36 小时内已有14 万开发者使用。一句话总结速度极快、成本极低、输出结构化是 AI Agent 架构中理想的“快决策层”。 典型应用场景Jev 正迅速成为 AI Agent 架构中的“快决策层”以下是几个典型应用Agent 任务评估与验收作为“裁判”判断 Agent 的任务是否完成、结果质量如何。LangChain 已将其用于 Agent 评估实验。上下文压缩社区项目fast-jev-compaction用 Jev 判断哪些工具调用记录与当前任务相关从而压缩发送给主模型的上下文节省 token 成本。浏览器自动化Browser Use 团队用 Jev 构建了jev-ultrafastAgent在每一步快速决定点击哪个按钮、进入哪个页面在 Google Flights 上找航班仅用7.1 秒。广告与内容分析开发者用 Jev 在 40 秒内分析了 724 条实时广告进行了 8724 次分类判断成本仅9 美分。游戏 Agent在《我的世界》中GPT-6 Astra 负责“慢思考”规划Jev 负责“快决策”执行动作8 分 43 秒击杀末影龙模型成本不到 1 美元。 总结Jev 通过“放弃字符串生成、拥抱类型化决策”的独特设计在速度、成本和可靠性上实现了对传统 LLM 的显著优势。它非常适合作为 AI Agent 架构中的“快决策层”与“慢思考”大模型协同工作。 如果对你有帮助欢迎点赞、收藏、转发让更多开发者看到这篇硬核测评
一文搞懂 Jev：专为 AI Agent 打造的“系统一”决策模型
摘要本文深入浅出地介绍由前 OpenAI 核心研究员 Diogo Almeida 创立的 TypeSafe AI 公司于 2026 年 9 月 15 日正式发布的Jev——一个专为软件和 AI Agent 设计的“System One系统一”决策模型。文章将带你快速理解它的核心定位、技术架构、性能表现与典型应用场景帮助你判断它是否适合你的项目。 核心定位从“聊天智能”到“机器原生智能”TypeSafe AI 认为未来99% 的 AI 交互将是机器对机器AI-to-AI或机器对软件AI-to-Software。传统大模型为“人机对话”设计输出自由文本这在代码集成时会导致解析困难、类型错误和幻觉等问题。因此Jev 的设计哲学是Machine Native Intelligence机器原生智能即让 AI 的输出像软件函数一样结构化、可靠、可测试。核心取舍放弃字符串生成通用性换取类型安全、校准置信度、极致速度和低成本。⚙️ 技术架构与核心机制Jev 的技术架构围绕“类型化决策”展开主要包含以下四大机制输出原语Jev 不生成文本只输出三种类型化决策Choice从最多 255 个选项中选择一个并返回完整概率分布。Score根据预设标准2-10 级进行数值评分。Noul进行“是/否”判断并附带校准后的概率。运作方式你提供一段非结构化状态如邮件、对话记录并定义好问题Jev 会在一次并行查询中返回所有问题的结构化答案与置信度供代码直接消费。训练方法采用其自研的RLCDReinforcement Learning for Calibrated Decisions基于校准决策的强化学习方法并在纯合成数据上训练。命名典故名字取自丹尼尔·卡尼曼的“系统一”快速直觉和 economist William Stanley Jevons 的“杰文斯悖论”资源越高效便宜用得越多。⚡ 性能表现极致的速度与成本Jev 在速度与成本上对传统 LLM 形成了降维打击具体表现如下维度关键数据速度单次决策延迟70-500 毫秒特定任务比前沿大模型快最高 193.6 倍实测分析 724 条广告仅用约40 秒。成本输入价格仅每百万 token 0.042 美元输出完全免费成本可降至前沿模型的约四百分之一最高便宜 444.6 倍。准确性与一致性Agent 评估实验中 0-Shot 准确率达93%连续评分一致性表现突出。采用速度发布 24 小时内近13%的 Vercel 付费团队接入是 GPT-5.6 同期数据的两倍以上36 小时内已有14 万开发者使用。一句话总结速度极快、成本极低、输出结构化是 AI Agent 架构中理想的“快决策层”。 典型应用场景Jev 正迅速成为 AI Agent 架构中的“快决策层”以下是几个典型应用Agent 任务评估与验收作为“裁判”判断 Agent 的任务是否完成、结果质量如何。LangChain 已将其用于 Agent 评估实验。上下文压缩社区项目fast-jev-compaction用 Jev 判断哪些工具调用记录与当前任务相关从而压缩发送给主模型的上下文节省 token 成本。浏览器自动化Browser Use 团队用 Jev 构建了jev-ultrafastAgent在每一步快速决定点击哪个按钮、进入哪个页面在 Google Flights 上找航班仅用7.1 秒。广告与内容分析开发者用 Jev 在 40 秒内分析了 724 条实时广告进行了 8724 次分类判断成本仅9 美分。游戏 Agent在《我的世界》中GPT-6 Astra 负责“慢思考”规划Jev 负责“快决策”执行动作8 分 43 秒击杀末影龙模型成本不到 1 美元。 总结Jev 通过“放弃字符串生成、拥抱类型化决策”的独特设计在速度、成本和可靠性上实现了对传统 LLM 的显著优势。它非常适合作为 AI Agent 架构中的“快决策层”与“慢思考”大模型协同工作。 如果对你有帮助欢迎点赞、收藏、转发让更多开发者看到这篇硬核测评
![[Git-2] Git基本操作](http://pic.xiahunao.cn/yaotu/[Git-2] Git基本操作)
