
Jev 拒絕寫下隻字片語:TypeSafe AI 的決策模型做了什麼,以及稽核後續發現了什麼
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 141 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 175 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 93 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 196 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 115 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Jev 1.13(typesafe/jev-1.13)是 TypeSafe AI 第一款讀者很可能會透過成本表、而非聊天框遇到的模型,因為它根本沒有聊天框。Jev 由 Diogo Almeida 於 2026 年 9 月 15 日推出——他是 InstructGPT 論文的共同作者,而這篇論文正是讓 ChatGPT 表現得像助理的作品——它完全不生成文字。它接收一段狀態(一封電子郵件、一行日誌、一張支援單、一團遊戲座標的 JSON 資料),外加一組具型別的問題,然後回傳具型別的答案:從你提供的集合中選出一項、依評分標準給出的分數,或是是/否機率,每一項都附帶自己的信心值。沒有長篇文字、沒有程式碼、沒有說明。TypeSafe 的賣點在於,這種狹窄性本身就是產品,因為它換來生成式模型無法匹敵的速度與價格——根據該公司自己的發布資料,比「可比的 LLM」快 20 到 200 倍、便宜 40 到 400 倍,每百萬個輸入符元收費 0.042 美元,輸出則計費為零。自 2026 年 9 月 21 日起,它已正式全面推出,當時 TypeSafe 移除了候補名單,並開始給新帳戶 5 美元額度——這是廠商自己的換算,以定價計算約值 1.2 億個輸入符元。這個模型的出現早於本文的新聞。OrcaRouter 於 2026 年 9 月 24 日將 typesafe/jev-1.13 加入其目錄,現在以同一把金鑰將它路由,與它設計上要並列的生成式模型相同;這正是今天值得知道的變化。本頁現在必須交代的第二件事並非 TypeSafe 所有:RSI-Jev,一個第三方開源專案,打造 Jev 風格的 System One 決策模型,目前版本是 4B RSI-Jev v6.0-VL,日期為 2026 年 10 月 6 日。它刻意複製 Jev 的傳輸格式,而它自己的授權聲明也明白表示,它與 TypeSafe AI 並無關聯——它不是 TypeSafe 的 Jev,不是 TypeSafe 的權重,也不是同一個模型換上更短的名字。本文最後一節才是它該出現的位置,因為對於 Jev 的地位有多少是護城河這個問題,它是目前最犀利的答案。
前 48 小時內公布的最有用數字並不是其中之一。它來自 Every,其評估部門主管讓 Jev 跑過 27 篇已發表的 Every 文章,外加 10 篇 AI 風格對應文章,一次對全部 37 份文件提出 21 個問題:在不到 0.7 秒內完成 777 項判斷,成本約四分之一美分。第二項測試由 Every 的執行長執行,拿 12 段合成段落——六段乾淨、六段刻意植入缺陷——對照四項寫作檢查。Jev 的結果是每段中位數 0.35 秒,而 Claude Fable 5.1 在高強度模式下為 8.83 秒:速度快約 25 倍,成本約只有其 1/580。它抓到了七個植入缺陷中的六個。Claude Fable 5.1 則全部七個都抓到。Every 的結論是「不錯但不完美」,而這是對首份公開發表的獨立測試中 Jev 的誠實一句話解讀——速度與成本的主張經得起第三方檢驗,準確度主張則比前沿低了一個檔次,而且樣本小到不該有人據此得出可投入生產的結論——後續評估已在兩個方向上部分縮小了這道差距。
先說明本文所依據的證據性質,因為對一個這麼新的模型來說,證據等級已經迅速變動。Jev 真實存在且可供呼叫:有文件記載的端點、Python SDK、模型別名,以及公開價格。這次發布由廠商宣布,並非外洩,沒有人還在猜它是否存在。但 TypeSafe 所主打的每一項效能聲明都是 TypeSafe 自家的,架構未公開,權重未釋出,而 20–200 倍這個標題背後的基準測試儀表板,是一套內部工作流程評估,而非公開排行榜。獨立測試已不再是發布當天的那塊缺角——現在至少有三項各自獨立的外部評估,包括一項事先註冊的執行,以及一項專為用 Jev 不可能見過的輸入來測試 Jev 而建立的研究——這些評估在速度上與廠商看法一致,但在準確度與校準方面,則說出更複雜的故事。本文讓廠商數字、獨立數字與未解問題明顯保持分開,而不是把它們平均成一種根本不存在的共識。
TypeSafe 實際上推出了什麼
Jev 是 TypeSafe 所謂 System One 模型中的第一個——這個名稱借自 Daniel Kahneman 認知中快速、直覺的那一半,相對於聊天機器人所模仿的較慢、審慎的模式。TypeSafe 所對比的是標準做法:強迫文字生成器輸出結構化輸出,然後再把那段文字解析回程式碼能信任的東西。Jev 完全跳過文字。TypeSafe 自家的文件直言不諱地指出:「大型語言模型(LLMs)是為了產出供人類閱讀的文字而設計。當你需要模型做出一個將由你的程式碼取用的判斷時,這就造成了不匹配。」
輸出表面就是三個基元,沒有其他東西。你提出的每個問題都必須是其中一個:
• 選擇 — 從你提供的清單中挑選一個選項,回傳所選選項,以及每個候選項的機率和一個信心值。每個欄位的選項上限為 255 個;超過此數時,TypeSafe 記載了一種兩階段模式:先獨立為候選項評分,再進行選擇。
• 評分 — 將狀態置於有序評分量表上,傳回等級、每個等級的機率,以及信心度。文件中以 0-1 尺度的流失風險為例。
• Noul ——「no」與「null」的混成詞——一個單一的是/否主張,回傳其為真的校準後機率。

有趣之處不在於任何單一基礎元件,而在於它們如何組合。三者可以在單一 API 呼叫中混用,而每個問題都會針對同一份狀態的同一次共享讀取進行平行評估。TypeSafe 的說明文件指出,新增問題「幾乎不會改變回應時間」,而獨立測試也在實務上印證了這點——橫跨 37 份文件的 21 個問題,全都落在同樣的 0.7 秒內。這正是每次判斷成本得以大幅下降的原因:你不是在為更長的生成付費,而是在為單次處理付費。
實際可用範圍,根據文件記載及早期使用者回報如下:每次請求約有 64,000 個 token 的預算,其中約 32,000 個涵蓋狀態加上單一最長的問題——TypeSafe 的文件指出,準確度會隨著狀態增長而改變;推出時不支援圖像或音訊輸入;請求和回應的格式並非 chat-completions 慣例,因此現有用戶端無法只把 base URL 指向它就能運作。2026 年 9 月 21 日,取用不再是一道障礙,當時 TypeSafe 移除了候補名單,並向任何擁有帳戶的人開放 Jev;新帳戶一開始可獲得 5 美元額度,供應商表示按定價相當於約 1.2 億個輸入 token。TypeSafe 自家的首頁仍將 Jev 描述為處於搶先體驗階段,但其文件並未沿用這個標籤:文件公布的是每秒 100K token 和每秒 40 次請求的動態調整限制,而不是取用門檻。瀏覽器 playground 仍與 API 並存,而 jev-latest 仍是模型別名。
RLCD 指的是校準,而非偏好
TypeSafe 用一種它稱之為 RLCD——Reinforcement Learning for Calibrated Decisions(校準決策強化學習)——的方法來訓練 Jev,根據該公司自家的文件。這個縮寫還很新,早期報導對它的展開並不一致,因此值得確切釐清它實際上命名的究竟是什麼,因為這個區別正是整項研究主張的核心。
RLHF 針對人類偏好的輸出進行最佳化。RLVR 針對可驗證的正確性進行最佳化,也就是測試案例能通過的那種正確性。RLCD 最佳化的則是校準度:一個自稱有 70% 信心的模型,應該大約有 70% 的時候是對的。這與「答對」是不同的目標,而這正是每個 Jev 答案都附帶機率分布、而不只是單純一個答案的原因。它預設的失效模式,是一個知道自己何時不知道的模型,讓你的程式碼能決定該如何應對。
在實務上,這帶給你的是控制介面。文件中記載的模式是三道信心區間——頂端自動採取行動,中段標記或確認,底端轉交真人處理——而閾值存在於你的程式碼中,而不是模型裡。這些區間是否誠實,是關於你的資料的實證問題,而 TypeSafe 明確要求你自己回答這個問題,並指出信心閾值因使用情境而異,應該用你自己標註的範例來測試。這個指示是文件裡最重要的一句話,而文件未包含的,是任何外部對於那些區間背後的方法是否名副其實的說明。從本週開始,有了一份局部的說明,而它是重建,而非揭露:RSI-Jev 的 RL 事後剖析針對已發表的 RLCD 猜想,建立了一個受控的七組分支重建——13.8k 題切片,每組 1,500 步——並公布每一組的結果,包括失敗的組別。其中的每一個 RL 獎勵都使原始校準變得更糟;一個便宜的事後信心頭補救了所有這些,唯獨 proper-score 分支除外;而且沒有任何目標函數改善了信心的排序。它在結尾列出 RLCD 必須包含的三項要素,措辭是關於該方法可能如何運作的假設,而不是對 TypeSafe 內部機制的宣稱,因為公司外沒有人見過那些內部機制。請把它解讀為第一份第三方證據,與下方整理出的校準主張並列,而不是對它們的內部一窺究竟;該方法本身的背景在我們的解說文《RLCD Explained》中。
這些數字,依產出者排序。
大多數關於 Jev 的報導,就是在這裡開始含糊帶過,因此值得把出處交代清楚。以下說明哪些來自廠商、哪些來自獨立測試者,以及哪些純粹無從得知。
• 廠商自述、未經重現——那些重點速度與成本宣稱。相較於前沿 LLM 呼叫的 3-329 秒,端到端延遲為 70-500 毫秒;快 20-200 倍、便宜 40-400 倍;單一最佳情況工作流程結果宣稱快 193.6 倍、便宜 444.6 倍。TypeSafe 承認這些是最佳情況,而非普遍數據。
• 供應商回報,且可在價目表上查核——每百萬個輸入符元 0.042 美元,也就是每十億個 42 美元,而輸出免費。輸出之所以免費,原因在於機制而非促銷:沒有自迴歸解碼需要計量,因此沒有輸出符元可計費。作為規模對照,同一份發布資料將典型前沿模型的輸入價格定在每百萬個 0.20 至 10 美元,而輸出通常是輸入價格的五倍左右。
• 廠商自行提報,來自內部基準測試——TypeSafe 自家的工作流程儀表板,涵蓋四項任務共 711 個案例,參考答案是根據 GPT-6 Astra 與 Claude Fable 5.1 的平均判斷推導而來,而非真實基準。在該儀表板上,Jev 總體為 67.8%,最佳比較對象則為 74.1%。分項來看:安全事件 61.7%,Opus 5 為 66.2%;代理追蹤可觀測性 71.6%,對手為 76.6%;發票處理 61.8%,對手為 79.1%;客戶服務 76.0%,對手為 78.3%。Jev 在該圖表的成本與延遲欄位勝出,但在準確度欄位落敗。儀表板本身註明可能存在測試框架偏誤,而 TypeSafe 表示他們刻意略過公開排行榜,轉而採用與產品更新綁定的單次評估。
• 獨立測量、小樣本 —— 這是第一次外部測試,也就是上述的 Every 測試:777 次判斷在不到 0.7 秒內完成,成本約四分之一美分;橫跨 11 項實驗的 1,709 次判斷,總成本不到一美分;在 12 段文章的分類任務上,速度約快 25 倍、成本僅為 Claude Fable 5.1 的 1/580,卻漏掉了對照組抓到的七個植入缺陷中的一個。Every 自己的結論是,在投入正式生產之前,它會希望先進行更徹底許多的準確度檢查——而這樣的檢查後來已部分出現,如下所述。
• 獨立測量、預先註冊,而且規模更大——一個外部團隊於 2026 年 9 月 20 日發表了一項預先註冊的評估,在送出任何一筆請求之前就固定了 21 項實驗與 50 項預測,涵蓋 5,721 次呼叫。在一個 400 項的參考集上,Jev 的零樣本得分為 95.9%,相較之下,手寫關鍵字規則為 77.2%,監督式 TF-IDF 基準則為 66.0%。同一項研究記錄了比標題數字更重要的失效模式:當題目中的準則描述有誤時,準確率崩跌至 16.7%,低於該任務 25% 的隨機下限。作者揭露了他們自身存在反向偏誤——在他們 21 項被否證的預測中,有 18 項以同樣的方式失準,因為他們不斷預測失敗,卻也不斷出錯。
• 獨立測量、分佈外——一份於 2026 年 9 月 19 日發表的獨立校準研究,建立了 900 張由規則生成的支援工單,其標籤部分取決於一項未出現在文本中的內部帳戶層級政策,因此任何模型都不可能記住它,並將這些工單與 3,721 個公開基準項目一同執行。在合成分支上,Jev 的期望校準誤差為 0.107,而作者為完美校準模型計算出的雜訊底線為 0.024——約為該底線的 4.4 倍。在公開基準測試上,同一項研究測得 0.024 至 0.032。這兩個範圍之間的差距就是研究發現。
• 未知——架構。推出時沒有論文、沒有參數量、沒有訓練算力披露、沒有權重。TypeSafe 表示,細節目前「暫時保密」,之後可能會發表論文。九月中旬的複製浪潮並未改變這一點:那些專案用自己的架構重建了行為,而且它們都沒有披露 TypeSafe 的模型如何運作。第三方專案現在發布的公開檢查點是該專案自己的,不是由 TypeSafe 發布的,而且它們不會改變上述句子——關於該供應商已經和尚未發布什麼的完整說明,在 Is Jev Open Source? 中。

這些層級之間的模式是一致的,而且不是 200 倍標題所暗示的那種模式。每一項獨立與廠商數據都一致認為,Jev 大幅更便宜、也大幅更快。沒有任何數據,包括 TypeSafe 自己的數據,顯示它比它所定價對標的前沿模型更準確——在廠商自己的儀表板上,它大約落在一個優秀中階模型的水準。較新的外部研究增添的是準確度故事的輪廓,而不是新的頭條。在它以前見過的任務類型上,它可以看起來非常強:在預先註冊的團隊自己的 400 項參考集上達到 95.9% 零樣本,遠遠領先其對照的關鍵字與 TF-IDF 基準。在專門設計成與它見過的任何東西都不同的輸入上,它的信心就失去立足點。仍然站得住腳的比較不是「以百分之一的價格擁有前沿模型般的聰明」——而是「每次呼叫只需不到一分錢,就能獲得接近中階模型的判斷力,快到足以在每一輪都執行」。
「零幻覺」代表什麼,又不代表什麼
TypeSafe 的發布資料中有一張圖表,顯示 Jev 的工具呼叫錯誤率為 0%,而比較模型的錯誤率則非零;此外,「抗幻覺」這個說法也伴隨該模型流傳。這兩者都屬實,但也都比字面上讀來得更狹隘。
這項保證是結構性的。每個可能的答案都在模型執行之前就被列舉出來——你提供了選項清單、評分規準,或是真/假陳述——因此不存在任何空間可以輸出宣告型別之外的值。格式錯誤的工具呼叫不是 Jev 能產生的東西。這是貨真價實的工程特性,而對任何曾花上一整週圍繞 JSON 解析失敗撰寫重試邏輯的人來說,它值真金白銀。
這並不是一項關於正確性的主張。一個符合 schema 的答案仍可能是錯的:Jev 可以很有自信地把一筆帳務投訴轉到技術佇列,而輸出會完美地符合格式,卻毫無用處。Almeida 自己也說過同樣的話,承認有可能自信滿滿地犯錯。要同時掌握這兩項事實,有用的解讀方式是:Jev 消除了源自輸出格式的那一類錯誤,而對於源自判斷的那一類錯誤則完全無能為力。這意味著,準確度的問題完全是校準的問題,而校準正是你必須自己去衡量的那件事。
第一批外部評估補充了一項具體警告,說明那項結構性保證在正式環境中會如何表現。因為 Jev 永遠會回傳你提供的其中一個答案,除非你給它一個選項,否則它無法說出「以上皆非」。九月的一場預先註冊測試要求它分類沒有有效類別的材料,結果發現 30 則超出範圍的訊息中有 0 則被標記,而每一則都以 0.99 的信心值回傳。一份蛋糕食譜,或一頁隨機字母,都會以高信心回傳成某個類別,因為這項請求要求的就是一個類別。修正方法是一種設計習慣,而不是模型設定:在每個 Choice 清單中都加入明確的逃生選項,並在每個 Noul 斷言中都加入假分支,並把缺少其中一項視為你自己提問文字中的錯誤。
如何用自己的資料檢驗校準主張
校準是少數你能用幾百個範例、且無需任何 ML 基礎設施就能妥善檢查的模型屬性之一,也是在 Jev 碰觸正式環境路徑之前唯一重要的測試。程序很短。
拿幾百個你已經有標籤的案例。問 Jev 那個真正重要的問題——路由決策、風險分數、缺陷檢查——然後依照它回報的信心水準,把答案分到不同桶子裡。接著檢查 0.9 信心桶是否大約 90% 的時間是對的,0.7 桶大約 70%,以此類推。校準良好的模型會描出一條對角線。一個只是有信心的模型會把所有東西都集中在 0.9 以上,卻只有 70% 的時間是對的,而這就是那種會悄悄弄壞自動化流程的形狀。
同一個測試會告訴你該用哪些閾值。如果 0.9 這個分桶在你的資料上真的準確率達 90%,你就可以把它自動化。如果你的中間區間一團模糊,你就把它轉給人工,或交給生成式模型,讓昂貴的路徑處理這種模糊性。這種拆分——用便宜模型處理有信心的大多數,用昂貴模型處理不確定的其餘部分——正是 Jev 所主張的實際架構,而這也是為什麼最好把這個模型理解為一個元件,而不是替代方案。
分布外研究是對那個問題的第一個外部答案,而且它是一則警告,而非放行。以 900 張合成支援工單進行測試——這些工單的決定性政策未出現在文本中——Jev 的信心不再與其準確率相符:期望校準誤差為 0.107,相較於 0.024 的雜訊底線,約是完美校準模型在同一組資料上得分的 4.4 倍。在三項公開基準上,該值為 0.024 到 0.032——所以模型在它被打造並衡量時所針對的那類資料上校準良好,而一旦任務不熟悉,校準就明顯變差。分數基元是三項中最弱的,準確率 44.7%,平均陳述機率為 0.74。該研究作者自己請讀者關注那項結果的方向,而不是精確幅度,因為單一合成任務家族、n=900,並非普遍定律。方向才是任何制定閾值的人該在意的部分:在將決策自動化之前,先對你自己的標籤執行上述分桶測試,因為你在公開基準上看到的校準,不等於你會在自家流量上得到的校準。
費用幾何,逐一拆解
定價簡單到足以推敲,這很少見。輸入為每百萬個 token 0.042 美元——這是 TypeSafe 公布的費率,也是 OrcaRouter 型錄所載的費率——而輸出免費。在文件記載約 64,000 個輸入 token 的預算下,單次最大規模的呼叫成本不到十分之三美分。
兩個被報導的數字讓人感受到規模。一位早期使用者執行了約 5,000 次請求,花費大約 $2。Doom 示範——Jev 使用遊戲狀態的文字描述而非原始像素來操控機器人——以每秒約 10 次呼叫運行,每小時約 $7。而 Every 在 37 份文件中的 777 次判斷,成本約為四分之一美分,這個數字讓有趣的用例變得清晰可辨:在那樣的價格下,檢查代理迴圈的每一個回合不再是成本考量,而成為預設做法。
這才是支持 Jev 的真正論據。每一輪都做一次驗證檢查——這次工具呼叫是否與上一次矛盾、這項輸出是否與使用者表明的意圖一致、這是否該發出警示——若用前沿模型,技術上向來可行,但大規模執行時在經濟上荒謬至極。在每百萬個 token 收費 0.042 美元且不收取輸出費用的情況下,同樣的檢查在每一輪都變得負擔得起。這裡的價值不在於 Jev 比前沿模型思考得更好,因為它並沒有。價值在於它思考得夠便宜、夠快,因此可以不斷被諮詢。
值得直說,因為這是顯而易見的下一個問題:OrcaRouter 在 2026 年 9 月 24 日將 typesafe/jev-1.13 加入其目錄,而該模型今天已在 Jev 1.13 模型卡上線——一個 API 即可取用 200+ 個模型,以供應商定價原價轉嫁、0% 加價,因此廠商一降價,當天就會反映在我們這邊。關於它的承載方式有兩個細節,因為這正是大家會問的。請求送至 POST /v1/systemone,非串流,對應 65,536 個 token 的上下文;這不是 chat-completions 的形式,這也是為什麼 Jev 自成一種端點類型,而非被併入 chat 路由。而模型卡上公布的是我們自己的七天服務視窗,量測自 9 月 24 日以來流經我們 playground 的流量,而非轉述廠商數據:p50 151 ms、p95 247 ms、每秒 349 個輸出 token,以及在 76.2M 個 token 中 0.49% 的錯誤率。這正是讓 Jev 所主張的雙模型模式成為單一合約、而非兩份合約的原因。Jev 做出有型別的決策,生成式模型負責需要散文、程式碼或說明的部分,兩半都以同一把金鑰、按供應商定價計費,而自動容錯移轉則可避免一個結果校準不良的決策元件演變成生產事故。

Jev 不適合的地方
供應商異常清楚地說明了這些限制,這使得本節很容易誠實地撰寫。Jev 無法產生自由文字。它無法撰寫程式碼。它無法進行對話。它沒有聊天介面、沒有影像輸入,請求預算約為 64,000 個 token——其中約 32,000 個用於涵蓋狀態加上最長的單一問題——比它在價格上被拿來比較的長上下文模型低了一個數量級。選擇欄位上限為 255 個選項。而如前所述,「不產生幻覺」的特性關乎輸出格式,而非真實性。
這張網的適用範圍相當狹窄。擅長:大量分類與路由、護欄與驗證流程、延遲至關重要的決策、平行為大量文件集評分,以及任何正確答案確實是選項、尺度上的數值或布林值的情況。不擅長:任何形式的開放式生成、長脈絡推理、多輪對話,或任何正確答案是一句話的任務。如果你的問題無法化約為一個具型別的提問,Jev 並不是解決它的更便宜方式——它根本不是解決它的方式。
對於這種論述框架,也有一個值得繼續保留的合理批評。把 Jev 稱為前沿模型,是借用了這個模型尚未掙得的可信度:它不會寫程式、不會對話,甚至寫不出一句話,而那些比較圖表以前沿模型作為基準,但準確度那一欄說的卻是另一回事。更站得住腳、也是證據真正支持的說法是:TypeSafe 已把結構化決策的速度與成本前沿大幅向外推展。能做到這點已經很不簡單,但那與打造出一個足以和 GPT-6 Astra 或 Claude Fable 5.1 匹敵的模型,是兩回事。
什麼會改變這幅景象?
有四件事能讓這件事塵埃落定,而自模型開放以來的那一週,其中三件已有進展。
• 一份已發表的架構論文,或開放權重。這仍是最大的缺口。關於 Jev 如何達到其速度的一切仍是黑箱,而「平行評估就是其機制」這個說法——Almeida 所提出的類比是,如同 transformers 取代遞迴網路那般取代循序運算——是斷言,而非已展示的結果。下方的開源浪潮重新實作了這種行為;但其中沒有一項揭露 TypeSafe 的模型如何運作。在設計被發表之前,速度是事實,而解釋則是行銷。
• 第二次獨立評估,樣本更大。這一次只部分奏效。事先註冊的 9 月 20 日測試涵蓋 5,721 次呼叫與一組 400 項的參考集,樣本遠大於 Every 的 12 段文本,設計也好得多,是現存支持 Jev 最有力的單一證據。它同時也是自行撰寫、單日、單一地點,且只針對一個模型版本執行,而團隊在公布結果的同時也公布自身的限制。它確定的是,Jev 在它被設計來做的事情上確實表現優異;它未能確定的是,它在其他人的任務上表現如何。
• 針對真實、雜亂輸入的校準稽核。這一項成立,也是本文中最令人不舒服的結果。上述的分布外研究,是首次對刻意打造得讓模型不熟悉的素材所執行的稽核;它發現信心與準確度脫鉤,幅度約為完美校準模型雜訊底線的 4.4 倍——而同一個模型在三項公開基準上看起來卻校準良好。單一合成任務家族、共 900 個項目,並不構成定論,作者也如此表示。這已足以把問題從「Jev 校準了嗎?」轉移到「校準在什麼之上?」,而後者無論如何都是更有用的問題。
• 一場以 Jev 自身標準擊敗 Jev 的複製。還沒發生,而這波浪潮也沒有在九月止息。在推出後約 48 小時內,至少有六個獨立的開源專案發布了 Jev 形狀的決策模型——一個建立在 4.21 億參數編碼器上,一個是 9B 模型上的 LoRA,還有一個小到幾十 KB 就能裝下——而到了 9 月 23 日,其中一個已登上某模型代管平台的熱門排行榜首位。這些專案所發布的每一項比較,都是由打造該替代方案的團隊自行報告,而且各自使用自己的評估集。結果指向不同方向:在新聞分類上勝出的那個複製品,在一個 77 類意圖任務上慘敗;而唯一一次以位元完全相同輸入進行的獨立正面對決中,Jev 在九個套件裡贏了六個。Jev 自己在單一基準測試上的準確率,如今已被四份不同的評估發布為四個不同的數值。那波浪潮中能長久留存下來的是 RSI-Jev,而它正是那個論點具體、有明確日期的實例:一個第三方開源專案,打造 Jev 風格的 System One 決策模型,程式碼採 MIT,權重以 Apache-2.0 發布於 Hugging Face,授權條款寫著「與 TypeSafe AI 並無隸屬關係」。它本週發布的是 4B 的 RSI-Jev v6.0-VL,於 2026-10-06 發布,是自我改進迴路中的第七代,該迴路已進行 471 次實驗,卻只保留了極少數:一座 Qwen3.5-4B-Base 塔加上訓練過的答案頭,每次決策一次前向傳遞,不生成任何東西。它花的是深度而不是符記——在第 16、20 與 32 層設置答案頭,因此請求會停在最先有信心的那一層,在單一 H200 上以 bf16 執行時中位數為 23、27 與 40 毫秒——而且它完全說 TypeSafe 的傳輸格式:相同的請求、相同的三種問題類型、相同的信心統計量,因此任何針對 Jev 撰寫的東西都能不需修改地套用在它身上。在該專案自己的公開 Decision Index 上,它報告某個版本為 38.38 到 46.24,在自身的保留集上為 0.698,在 MMLU-Pro 上為 0.440——這些都是它自己看板上的自家數字,而且它與 Jev 1.13 之間並沒有獨立的正面對決。它不是 Jev 的權重發布,它並未讓 TypeSafe 的模型變成開源,TypeSafe 既沒有製作也沒有背書;該系列先前的發布是基於 Qwen3.5-2B-Base 的 2B 模型,而讓這個專案打響名號的強化學習成果來自 v3.0,日期為 2026-09-28,已是三代之前的發布——那是第一個由 RL 階段擊敗其所接續的監督式模型的發布,一個對 16 個候選項進行的列表式重排序獎勵,使其自身的父模型重排序 R@1 從 0.192 提升到 0.308,增幅 60%,而套件成本代價為 0.0028。我們的目錄中沒有 RSI-Jev 的識別碼:我們提供的是 systemone 端點上的 typesafe/jev-1.13,而這個專案是從它自己的儲存庫運作的。給首次閱讀者的完整說明見於〈什麼是 RSI-Jev?〉。
那波熱潮所證明的,並不是 Jev 已被擊敗——而是任何人都能在一個週末建出一個開放模型來大致完成這項工作;這是一個關於護城河究竟在哪裡的不同、且更站得住腳的論點。隨之而來的姿態比一週前更狹窄,也更具體。Jev 是一個真實、已推出、便宜得異常的模型,如今任何有帳號的人都能取用;它在輸出可靠性上具有真正的結構性優勢,依供應商自家數字其準確度概況約在中段,還有一項自發布以來已被獨立檢驗兩次的校準主張:一次是在大型、對其有利、自行撰寫的基準上,另一次則是在不熟悉的輸入上,而那次信心分數並沒有站得住。請把第二個結果當成資訊量更高的那一個。如果你的工作流程中有某個步驟可化約成一個被問得夠頻繁、以致動用前沿模型會顯得浪費的定型問題,這就是最省錢的問法之一——而它回傳的信心值,仍然是你在信任之前該拿自己的資料去測試的部分,不是速度。它也不需要第二個帳號就能測試:typesafe/jev-1.13 已在 OrcaRouter 上線,與 Jev 式工作流程所需的生成式模型並列。
