P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 传送门http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。

上周五我刷HN的时候，首页蹦出来一个东西，点进去一看——好家伙，发布三天1863分，评论快500条。

一家叫TypeSafe AI的公司，搞了个模型叫Jev。我当时的反应是：又来？现在是个模型都敢上HN是吧。

结果越看越不对劲，这玩意儿好像真不是PPT。

1 这玩意儿到底卖的什么药

先说它的卖点，你品品离不离谱：

• 不生成一个字。对，你没看错，不生成文本。
• 只输出"选哪个 + 有多确定"
• 输出token免费，输入百万token才4.2美分
• 延迟70到500毫秒，官方说比LLM快最多193.6倍、便宜444.6倍
• 还号称"零幻觉"

我看到"零幻觉"三个字的时候，手里的咖啡差点没端住。这就好比一个外卖小哥跟你说"我送的外卖从来不会凉"，不是不可能，是你得先搞清楚他是不是根本没出餐。

然后我去评论区翻，发现创始人本人在那儿挨个回帖，ID叫CompleteSkeptic。我盯着这个ID看了半天——CompleteSkeptic，完全怀疑论者，跟Dario Amodei的对仗程度被网友吐槽了一整楼。一个做AI的给自己起名叫"彻底怀疑论者"，这就跟开酒吧的老板自己滴酒不沾一样，多少有点黑色幽默。

更离谱的是，Browser Use团队三天之内就把集成做出来了，还有好几个独立复现项目冒出来。一个新模型发布三天社区就这反应，我上一次见还是某个AI画图工具出来的时候。

我花了两天把官方文档、HN讨论、源码、第三方实测全翻了一遍，结论先放这儿：

方向大概率是真的，数据有水分，"零幻觉"是文字游戏。你拿它当"带概率的智能if语句"用，血赚；拿它当小号GPT用，准备翻车。

2 它和普通大模型到底差在哪

名字这事儿我得提一嘴。Jev这个名字来自经济学家杰文斯，就是那个"智能越便宜→用例越爆发"的杰文斯悖论。顺便说，LLM是《思考快与慢》里的System 2——慢、深、逐token推理；Jev想干的是System 1——快、直觉、直接给判断。

所以它不是"加了输出限制的LLM"，而是另一类东西。创始人自己在HN上说的原话：

it is just a model, no harness yet 😉 it is a structured data model, but technically not a language model (it doesn’t generate language)

调用链完全不一样。普通LLM是：

prompt ──自回归逐token生成──▶ JSON字符串 ──解析/校验/失败重试──▶ 决策

Jev是：

state ──一次前向传播，所有问题并行──▶ 带类型的答案 + 概率分布

你品品这个区别。普通LLM就像你让一个实习生写周报，他先写一堆废话，你再从中提炼重点，提炼不出来还得让他重写。Jev是你直接问"这周干了啥，打个分"，他当场给你个数，不带废话的那种。

维度	普通LLM	Jev
训练方法	RLHF / RLVR	RLCD（校准决策强化学习）
输出	自由文本，得自己解析	Choice/Score/Boolean，结构先于生成存在
采样	逐token自回归	所有答案一次并行算出
端到端延迟	3秒到329秒	70~500毫秒
幻觉	会瞎编	不会编类型外的值（但会错，后面细说）
置信度	过度自信、忽上忽下	每个答案带校准过的置信度

3 API长什么样

整个模型就三种问题类型，官方叫primitives：

• boolean（官方叫Noul，不知道为啥起这名儿）：是还是否？返回P(true)，0到1之间
• choice：选哪个选项？返回选项 + 全分布 + 置信度
• score：打几分？返回分数（可以落在两级之间）+ 分布 + 置信度

一个真实的请求长这样，拿客服工单分诊举例子：

{
  "state": {
    "ticket": { "subject": "重复扣款", "messages": ["我被人扣了两次钱，赶紧处理"] },
    "order": { "id": "A-104", "charges": [49, 49] },
    "refund_policy": "重复扣款可全额退款……"
  },
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this?",
      "criteria": {
        "billing": "Payment or subscription issues",
        "technical": "Bugs or integration problems"
      }
    },
    "is_urgent": { "type": "noul", "instructions": "The message conveys urgency" },
    "frustration": {
      "type": "score",
      "instructions": "How frustrated is the customer?",
      "criteria": ["Calm", "Frustrated but civil", "Very angry"]
    }
  }
}

三种类型混着发，一次请求全部并行返回。我看完这个设计的第一反应是：这玩意儿太懂程序员了。你想想，平时你写代码调LLM，是不是经常要一个问题拆成好几次调用，每次都等半天？Jev直接把十几个问题打包发过去，一次全给你。

官方文档里有几个细节特别值得划线，我挑几个重点说：

3.1 问题ID模型看不到

这个有点反直觉。你写的key，比如上面的"department"，模型根本看不到。模型只看instructions里写了啥。所以instructions必须自包含，不能写"这个字段是干嘛的"然后指望模型猜。

但你可以用ticket.messages[0].text这种点路径直接引用state里的字段，这个设计倒是挺顺手的。

3.2 13个问题打包发，比拆13次便宜11.5倍

对，你没看错。因为所有问题共享state，而且独立并行评估，加问题几乎不增加延迟——只多付问题本身的token。官方管这个叫speculative fan-out，翻译过来就是"把代码可能需要的所有问题都发出去，代码自己挑着用"。

这就好比你去奶茶店，不是点一杯等一杯，而是把菜单上所有你可能想喝的都点一遍，喝完剩下的倒掉。听起来很浪费，但每杯只要一毛钱的时候，你就不觉得浪费了。

3.3 几个容易踩的坑

• state + questions共享约32K token预算，别塞太多东西进去
• boolean没有confidence字段，P(true)=0.5就是五五开，不是"中等程度"。想量化程度请用score
• 只吃文本，不支持图像音频。训练以英语为主，中日韩文本能用但准确率更低——对中文场景这是个实打实的限制
• choice的选项基数上限255，再多就得两段式：先独立打分再显式选择

255这个上限我看到的时候笑了。懂行的朋友应该知道这就是个字节上限，选项是在softmax维度上展开的，255就是8位。一个号称新架构的模型，硬编码限制跟老计算机的字节数撞车了，多少有点浪漫。

4 为什么快？"零幻觉"为什么要打引号

4.1 快的原因特别朴素

没有自回归。就这么简单。

LLM生成100个token要跑100次前向，Jev对所有问题只跑一次前向，答案并行出。输出便宜到"too cheap to meter"——输出token干脆免费。

这就跟你考试一样。普通LLM是一道一道题做，做完一道翻下一道；Jev是所有题同时出答案，因为它根本不"写"答案，只是"判"答案。

4.2 "零幻觉"是文字游戏

但也不是纯吹。它的准确表述是：模型不可能输出选项集合之外的值。分布永远定义在你给的criteria上，这是数学保证。

所以它不会"编造字段、编造选项、编造JSON"——那些LLM特有的幻觉它确实没有。

但是——重点来了——它可以在选项之内高置信度地选错。

错误形式从"编造文本"变成了"自信地做错决定"。后者其实更隐蔽，因为你拿到的结果格式完美、字段齐全、看起来特别专业，但就是错的，而且它还特别有信心。

这就跟那种写PPT特别漂亮但方案全错的咨询顾问一样——格式上挑不出毛病，内容上全是坑。

4.3 架构到底长啥样

官方没公布架构，只给了RLCD这个名词。目前可信度比较高的拼图来自两个地方：

一是HN上引擎圈大佬的推测：本质是Transformer encoder + 分类/回归头，每个问题相当于一次单token补全，直接读logits，再针对校准做了后训练。

二是独立复现项目jevlike（717星）实现的同形架构，画出来大概是这样：

 ┌──────────── context tokens（state 编码）────────────┐
 option A ──▶ [attention 池化] ──▶ 共享打分头(dot product) ──▶ score ┐
 option B ──▶ [attention 池化] ──▶ 共享打分头 ──▶ score ┼─▶ softmax ──▶ P(A),P(B),P(C)
 option C ──▶ [attention 池化] ──▶ 共享打分头 ──▶ score ┘

每个选项作为query去attend state的token，一个共享打分头出分，softmax归一化。

如果Jev真是这个形态，那它确实"不是语言模型"——不预测下一个token。但也不是什么魔法，护城河问题就变得尖锐了。这个后面第五节细说。

另外HN有人发现官网首页藏了段base64的快速平方根倒数代码——就是那个雷神之锤里的经典魔法数字。一个叫typesafe的网站放了个type punning的算法，说明团队是懂梗的，而且梗得很深。

5 扒源码：AI SDK底层是怎么调的

这是我这两天觉得最有意思的部分。AI SDK 7.0.105+加了个实验性API叫experimental_evaluate，Jev是第一个原生接入的模型。我直接去vercel/ai仓库把链路翻出来了。

import { experimental_evaluate as evaluate } from 'ai';
const result = await evaluate({
  model: 'typesafe-ai/jev', // 字符串ID → 默认走Vercel AI Gateway
  state: 'The support agent issued a full refund to the customer.',
  questions: {
    refunded: { type: 'boolean', instructions: 'Was a refund issued?' },
  },
  providerOptions: { gateway: { zeroDataRetention: true } },
});
result.answers.refunded            // { probability: 0.97 }
result.providerMetadata.typesafe.confidence  // choice/score才有置信度

字符串模型ID会解析到Gateway的GatewayEvaluationModel，它干的活非常薄——就是把state和questions原样POST出去。源码节选：

// packages/gateway/src/gateway-evaluation-model.ts（节选）
async doEvaluate({ state, questions, headers, abortSignal, providerOptions }) {
  const { value: responseBody } = await postJsonToApi({
    url: `${this.config.baseURL}/evaluation-model`, // 就一个端点
    headers: combineHeaders(..., {
      'ai-evaluation-model-specification-version': '4',
      'ai-model-id': this.modelId, // typesafe-ai/jev
    }),
    body: { state, questions, ...(providerOptions ? { providerOptions } : {}) },
    successfulResponseHandler: createJsonResponseHandler(gatewayEvaluationResponseSchema),
    ...
  });
  return { answers: responseBody.answers, /* rounding / usage / providerMetadata */ };
}

响应schema用zod定义得很清楚——每种问题一个判别联合：

z.discriminatedUnion('type', [
  z.object({ type: z.literal('choice'), choice: z.string(), probabilities: ... }),
  z.object({ type: z.literal('score'), score: z.number(), probabilities: ... }),
  z.object({ type: z.literal('boolean'), probability: z.number() }),
])

AI SDK拿到响应后还会做概率校验：分布求和必须为1、score必须等于分布的加权均值，默认容差1e-6。也就是说"类型安全"这个约束在SDK层又兜了一道底。

还有个容易忽略的点：evaluate不是Jev专属API。OpenAI、Anthropic、Google的模型也实现了evaluationModel接口——但走的是"一次prompt评估所有问题"的LLM适配器，默认reasoning: ‘none’，并没有Jev那种逐问题独立并行的语义。

这套设计基本明牌了Vercel的判断：evaluate是在给"System One"这个接口形态铺路，Jev只是第一个原生实现。

一句话总结这层抽象：generateText是"帮我写"，evaluate是"帮我判"。后者没有流式、没有批量无关输入、没有部分成功——因为它压根不是聊天。

顺带一提，不走AI SDK的话，TypeSafe原生HTTP API也就一个端点：POST /v1/systemone，SDK默认模型别名是jev-latest。就一个端点，简单到不像个商用产品，倒像个早期demo。

6 社区这三天都在拿它玩什么

一个模型发布三天，社区玩出来的花活比它官方demo还多，我挑几个有意思的说：

6.1 Doom，官方亲自下场

官方demo就是玩Doom。把游戏状态喂成结构化数据，每秒查10次"往哪走、开不开枪"，成本约7美元一小时。

HN评论区两极分化：一派说"游戏QA要变天了"，另一派说"你们这不就是reinvent了外挂吗"。我看完觉得后者说的也没毛病——一个AI直接读内存状态做决策，这不就是高级版透视挂嘛。

6.2 Browser Use官方集成

浏览器agent的动作空间被做成"操作+目标"两组choice问题，一次网络往返出两个决策，全程无截图。Google Flights完整搜一遍苏黎世到伦敦机票只要7.1秒，含加载等待。

这个项目两天2700+星。我去翻了一下代码，思路确实漂亮——以前浏览器agent是"截图→看图→想动作→执行"，现在是"读DOM→直接判动作→执行"，省掉了最贵的视觉那一环。

6.3 宝可梦对战

X上有个叫@sid19arya0的老哥实测，Jev打赢了Opus 5，成本约1/820，速度快约10倍。作者还发现它的第二、第三选项也是合理战术。

1/820的成本，这个数字我盯着看了半天。就好比你打麻将，旁边有个军师帮你出主意，他的主意比隔壁桌那个清华毕业的准，而且收费是人家的八百二十分之一。这生意谁不做？

6.4 Claude Code上下文压缩插件

一天1500+星。思路相当聪明——不找LLM写有损的压缩小作文，而是把整个对话塞进state，对每个工具调用并行发两个noul问题：“这个调用还有用吗？”"这个结果还需要原文吗？"按置信度阈值决定保留、截断、删除。保留下来的内容100%原文，路径、报错、命令一个字不丢。

作者说TypeSafe联创也下场点赞了。我看完这个的第一反应是：这才是Jev该干的事啊！不是去打游戏，是干那些"量大、重复、但又需要点语义判断"的活。

6.5 模型路由，目前公认最稳的用法

用Jev分类意图、估算难度，把简单请求路由给便宜模型、难的升级给贵模型。HN上有人开源了路由demo。

这个用法我特别能理解。就像你公司前台，新来的实习生一看邮件是"中午吃啥"就直接回了，一看是"老板要并购我们"就转给老板。Jev干的就是前台的活，而且比前台便宜、比前台快、还不摸鱼。

6.6 复现热潮

jevlike——独立训了个同形模型，还能从图像patch打分玩Doom。Mini-Jev——本地LLM模拟Jev接口。open-jev——Gemma 3 4B版本。Sokit——Jev版LangChain。DSPy插件……

一个闭源模型发布三天长出这些东西，说明"这个接口形态有需求"是行业共识。不是大家都闲得慌，是这个接口形态确实戳中了痛点。

关于"贪吃蛇/自动驾驶"的demo我没找到一手出处，DNF。可以确认的是HN上"这玩意能不能开车"的讨论很热，好几个人对标Tesla FSD的技术栈。Doom这类实时控制demo是同一路线。

7 泼冷水时间

光看demo容易上头，说几个实测翻车的。

7.1 扑克：做得非常扎实的打脸

有个老哥用德州扑克求解器当地面真值，测了150个决策点。结果：

• Jev与求解器最优解的吻合率只有63%
• 手持天顺（nuts，怎么打都不会输的牌）时，16次运行16次全下——正确动作是check。置信度约62%
• 最扎心的是置信度倒挂：在它错得最离谱的地方给出最高置信度（0.86），在它最接近正确的地方反而只有0.09
• 而且错误高度可复现——这不是噪声，是系统性偏差

我看到"置信度倒挂"这五个字的时候，倒吸一口凉气。这就好比一个医生，在你得感冒的时候说"我99%确定你没事"，在你得癌症的时候说"我50%确定你没事"。他越自信的时候你越要小心。

还有更离谱的：只有把结论直接喂进state（比如"Flush, Ace high"、“hero has 0 outs”），它的判断才明显改善。它没法从原始牌面自己推理出"我输了"，得有人把答案嚼碎喂到嘴边。

在一个具体陷阱点上，关掉思考的Haiku 4.5都能选对，Jev不行。作者的暴论：一个"能check就check"的一行规则都能打赢Jev。

一行规则打一个号称新范式的AI模型。这事儿听着像段子，但人家是拿数据测出来的。

7.2 迷宫都解不明白

HN用户发现Jev连单步迷宫都解不稳，推测训练分布里压根没有空间推理。

一个1863分的明星模型，连简单迷宫都走不明白。这再次验证了一个道理：模型在什么数据上训的，就只会干什么事。你没让它走过迷宫，它就是不会走，跟聪不聪明没关系。

7.3 护城河问题

Sean Goedecke的分析流传很广：快结构化输出这事现在就能做——约束解码 + 只生成一个受限token + 预填充。他自己用Qwen2.5-1.5B就拿到2-3倍加速。

如果Jev本质是"encoder + 打分头"，各家实验室随时能跟进。另外它没有思维链、没有测试时计算，智能上限被锁死在"非推理LLM"水平，别指望它scaling出新智能。

这个判断挺狠的。意思就是：你这个东西虽然快、虽然便宜，但你天花板就在那儿了，跟GPT这种"越训越聪明"的模型不是一个赛道。你是快马，人家是汽车，汽车再慢也是汽车。

7.4 数据全是自报的

还有一点要记得：官网那些193.6x、444.6x全是自报。评测的参考答案是GPT-6 Astra和Claude Fable 5.1开高推理模式的平均，工作流还是自家团队手搓的。

官方在另一篇博客里把"拒绝刷榜"讲得头头是道，顺便把各家benchmark作弊史捋了一遍，Llama 4私有变体、GLM-5.2设计榜那事儿都有点名。姿态是好姿态，但截至发文，官方那套成本/速度数据依然没有独立复现。

X上倒是流传一份自称"一万次API调用黑盒探测"的结果——MMLU-Pro准确率84.6%、1200道MMLU题上期望校准误差仅0.0313、推测是稀疏MoE约100亿活跃参数。我翻了HN和搜索引擎都没找到原始出处，无法核验。

刷到先当故事听。这大概就是热门模型发布后信息环境的常态——官方吹一通，社区编一通，你永远不知道哪句是真的。

8 到底什么场景值得上

我的判断，结合官方文档加社区实测：

8.1 适合的场景

• LLM前置层：意图分类、模型路由、难度估算、漏斗过滤。HN上的共识是能替掉pipeline里40%~70%的LLM调用
• 一句话个性化与"语义列"：用户一句"不看引战、不看币圈"就是个私人邮件分类器。简历初筛、评论属性抽取这类批处理，整张表扫一遍几分钟几美元，之后就能用SQL查
• 验证/护栏：审LLM输出、测越狱、查引用——每次检查成本是LLM调用的零头
• 高频实时决策：游戏AI、agent每步动作选择（browser-use已经给出最佳实践）
• 大语料map-reduce：$0.042/MTok的输入价，扫库才扫得起

这些场景有个共同点：都是"量大、重复、但又需要点语义判断"的活。Jev干这个就是降维打击，就像你拿激光刀切豆腐——大材小用，但切得又快又齐。

8.2 不适合的场景

任何需要生成文本、需要推理链、需要从原始信息推出隐含结论、或者你没有标注数据、没校准过置信度就敢全自动执行的场景。

简单说：它是个判官，不是个写手。你让它判案可以，让它写结案陈词就不行。

8.3 上之前的三条军规

第一条：拿你自己业务的50~100个带答案样本做私有评测。

demo表现不可外推，扑克实测的教训就是逐用例验证。你看别人打麻将赢钱，不代表你上场也能赢，因为你的牌跟人家不一样。

第二条：校准置信度。

Vercel changelog原话也是这个建议。低置信度的请求一律路由去人工。官方文档其实自己承认了：校准是针对预测群体衡量的，不保证单个答案正确——所以阈值必须在你自己的数据上调。

翻译成人话就是：它说它90%确定的时候，你别真信它90%确定，你得拿自己的数据测一遍，看它说90%的时候实际对了多少。

第三条：善用speculative fan-out和composite scoring。

一次发全部问题，多个score加权合成复杂判断，把"判断逻辑"放在代码里而不是模型里。

概率路由的标准姿势，来自AI SDK官方文档：

// 概率路由的标准姿势
const { choice, probabilities } = result.answers.department;
if ((probabilities?.[choice] ?? 0) >= 0.9) {
  route(choice); // 高置信 → 自动执行
} else {
  queueForHumanReview(result); // 低置信 → 人工
}

这段代码我建议你存下来。不是因为它多复杂，是因为它代表了一种新的工程范式——以前你写if-else是硬编码规则，现在你写if-else是基于模型概率的。规则还是那些规则，但判断从"程序员想的"变成了"模型算的"。

9 写在最后

Jev让我兴奋的点不是"它多聪明"——它不聪明，扑克都打不明白。

而是那个引用了Nelson Elhage的思路：快的软件不是把旧事干得更快，而是催生全新的任务。

当"往任意决策点注入一次100ms、一厘钱的智能判断"变成一个API调用，会有大量以前不值得做的程序变得值得做。这是把它叫做"新的计算原语"而不是"新模型"的原因。

三天时间：HN 1863分、Browser Use官方下场、一堆复现项目——方向被认可的速度前所未有。

但它是v1：闭源、只有文本输入、置信度要自己校准、护城河存疑、所有性能数据自报。

适合现在做的事情是拿边缘场景试水，而不是把核心链路押上去。

就跟你买新家电一样，刚出来的第一代产品，你先拿个不重要的场景试试水——买个洗碗机先洗袜子，别上来就洗貂皮大衣。洗坏了袜子不心疼，洗坏了大衣你哭都来不及。

有实测过的朋友欢迎评论区交流，尤其想看中文文本上的准确率实测——官方只说"非英语会更低"，这个"更低"到底多少，值得有人测一测。

毕竟，吹出来的数字再好看，不如自己跑一遍来得实在。

P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 传送门http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。