大模型聊天，早就超过多数人。工作流还是慢半拍：模型吐出一长串字符，字段还可能是编的。
你要是在用 ChatGPT 或 DeepSeek，这个卡点会马上碰到。2026 年 9 月 15 日，TypeSafe 发布了 System One 模型 JEV（官方拼写 Jev）。程序状态进去，带校准概率的类型化决策出来，流程可以直接分支。
它不负责把步骤串起来。那是智能体和 AI workflow的事。JEV 只负责其中那一下判断。
下面只用一个例子把这个差别走完：电商流失预警。文中的速度和价格，都来自 TypeSafe 当天的发布文。
聊天优化的是字符串，软件要的是决策
创始人 Diogo Almeida 曾在 OpenAI 参与 ChatGPT 背后的指令跟随和对话方法。他的问题很具体：模型在聊天上已经超人类，软件自动化为什么没跟上？
答案在接口。现有大模型优化的是人类偏好的字符串。软件要的是可依赖的决策。
字符串可以写得很顺。解析却慢，也贵，字段名还可能写错。下游一崩，整条流水线停住。
所以两边的契约不一样：
-
大模型：非结构化输入，自回归、一个 token 接一个 token，吐出字符串。代码还要再解析。
-
JEV：非结构化状态输入，一次给出类型化的概率决策。schema 事先定好，类型错误在数学上不会发生。
这不是「把聊天模型缩小」。官方主张是三件套：新的模型架构、并行采样器，以及一套叫 RLCD 的训练。参数量没有公开，这里不猜。
System One 模型：快判断，直接交给代码
名字来自丹尼尔·卡尼曼的《思考，快与慢》。System 1 是快的直觉判断，System 2 是慢的审慎推理。今天的推理型大模型更像 System 2：慢、贵、串行生成，输出主要给人读。
System One 模型占的是另一头。它要快、要便宜、要并行，输出直接交给程序，而不是交给读者。
产品名 Jev 纪念经济学家 William Stanley Jevons（杰文斯）。蒸汽机变高效之后，煤炭没有少烧，反而因为用得起而烧得更多。这就是杰文斯悖论。TypeSafe 押的是同一件事：智能每便宜一个数量级，能解锁的场景会多一个数量级。
三件套各自干什么：
-
新架构。 不是一个拿来聊天的小模型。
-
并行采样。 一次查询生成全部输出字段，不用等上一个 token。
-
RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）。它优化的是「概率报得诚实」，不是人类更喜欢哪段话（RLHF），也不是答案能不能被程序判对（RLVR）。
校准概率是说：模型报 80%，长期看，这类判断里大约八成应该是对的。你拿到的是可以设阈值的数，不是一句「我很有把握」。
|
|
聊天大模型 |
JEV |
|---|---|---|
|
优化目标 |
RLHF / RLVR，偏人类偏好或可验证奖励 |
RLCD，偏校准后的概率 |
|
输入 |
对话、文档等非结构化文本 |
非结构化状态，强调程序状态 |
|
输出 |
字符串，往往还要解析 |
类型化的值，外加概率 |
|
采样 |
自回归，逐 token |
并行，一次出全部字段 |
|
速度与价格 |
秒到分钟级，输出通常更贵 |
官方评测约 70–500 毫秒，输出免费 |
用流失预警，看一次调用怎么分流
电商的客服和增长后台里，用户状态一直在进：订单摘要、最近投诉、活跃了多少天，再加上一段留言。你要的不是一篇分析。你要的是分流。
以前把同一段状态丢给大模型，让它慢慢生成 JSON。字段写成 risk 而不是 churn_risk，下游就崩。它还可能在约定之外发明一个等级。
JEV 读的是同一段程序状态。schema 事先写死，例如：
|
字段 |
取值 |
给代码的含义 |
|---|---|---|
|
|
|
流失风险 |
|
|
|
自动挽留、人工跟进，或升级主管 |
|
|
数值 |
可排序的强度 |
|
各字段概率，外加整体 |
0 到 1 |
这次判断有多集中 |
一次查询，这些字段一起出来。周围代码只保留分支：
if route == human or confidence < 阈值:
转人工
else if route == escalate:
升级主管
else:
走自动挽留没有要解析的 JSON 字符串，也没有模型现编的字段名。置信度偏低时，单子自己交给人。官方把这种用法叫智能 if：模糊规则嵌进代码，分支仍由你的程序决定。
用一段现场把同一次调用走完。下面的取值只为看清接口，不是官方样例，也不是某次真实调用。
近 30 天两笔订单都取消了。昨天有一条物流超时的投诉。活跃天数是 3 天。留言写着「再这样我就再也不买了」。
示意输出：churn_risk = high，route = human，confidence 落在你事先定的阈值下方。代码因此走人工，而不是自动发一张挽留券。
判断对不对，要靠你事后对真实流失的核对。模型这里只保证：字段名和取值都在 schema 里。
这里要划清一件事。类型安全消掉的是「输出不符合 schema」。它不保证业务判断正确。
高风险被判成低风险，类型依然合法。所以阈值留在你这边，低置信度走人工。不要把标签当成事实。
官方还演示过另外两类用法，这里只点一下。Doom 把结构化的游戏状态收成动作，大约每秒 10 次查询、每小时 7 美元量级。Wikiracing 在大量链接里做选择。
单次选择的基数上限是 255。再大，就拆成两段：先独立打分，再显式选择。这篇的主例子，仍然是上面的流失分流。
70 毫秒到 500 毫秒，输出还不计费
TypeSafe 在发布文的 Speed 一节给出端到端延迟：JEV 大约 70 毫秒到 500 毫秒。他们引用的前沿大模型大约是 3 秒到 329 秒（对照来自 llm-benchmarks）。在同等 System One 形态的问题上，大约快 40 倍到 200 倍。
这组延迟测自美国西海岸的官方服务。用户若在别的地区，还要加上网络时间。拿去对实时界面做承诺之前，用自己的流量测一次。
价格在同一篇的 Cost 一节：输入 0.042 美元 / 百万 token，也就是大约 42 美元 / 十亿 token，输出免费。对照表里，大模型输入大约 0.20 到 10 美元 / 百万 token，输出往往再贵约 5 倍。
Workflow 评测上，官网引用过一组峰值：大约快 193.6 倍、便宜 444.6 倍。TypeSafe 自己说这是偏乐观的一端。评测固定了计算图，并对齐外部模型的概率。
引用时带上「官方 workflow 评测峰值」，不要当成你业务里的保证。评测页在 evals.typesafe.ai。
这些数字说明的不是聊天变快了。实时分支、高并发打分、给大模型当裁判或护栏，有机会接进流水线。你不必为每一次判断，付一次长生成的时间和钱。
JEV 适合分流和护栏，不适合写长文
适合放上去的地方，有一个共同点：程序要的是分支，不是一段新文字。
-
工作流里的分流和路由，比如挽留、人工、升级。你要是已经用 Docker 把 n8n 跑起来，这类判断适合放在流程节点上。
-
海量数据上的打分、抽取和特征，适合做成 map-reduce。
-
实时路径上的决策，延迟预算在几百毫秒。
-
给大模型的输出做裁判、护栏、越狱检测：要的是概率和阈值，不是另一段聊天。
不适合的也同样清楚。JEV 主动放弃字符串生成。换来的是速度、类型安全，以及不会在 schema 之外编字段。
长文、代码、对话回复，仍是聊天模型的活。写文章、拉长上下文，继续用 DeepSeek V4 这类模型。
任务如果要长链条的发明和反复推理，那是 System 2 的工作。图像像素也不在这篇发布文的主示例里。Doom 用的是结构化文本状态，不是画面。
单次选择超过 255 个选项，要拆成两段。
官方提供了一个开源的 System One LLM adapter，用来让大模型的输出去对齐这套结构化决策接口。适配器解决的是接口形状。它不会把聊天模型变成 JEV。
常见问题
JEV 是什么？
TypeSafe 在 2026 年 9 月发布的第一个 System One 模型。输入是非结构化状态，输出是类型化、带校准概率的决策，给代码调用，不给读者阅读。
它是更小的聊天模型吗？
按官方说法，不是。差别在新架构、并行采样和 RLCD，不在「参数更少」。参数量没有公开。
它还会幻觉吗？
在 schema 意义上，官方称类型错误不可能发生，因此不会编出 schema 之外的字段。业务判断仍可能错。低置信度要转人工。
一次最多选多少个选项？
官方给出的单次选择基数上限是 255。更高基数用两段：先独立打分，再显式选择。
延迟和价格以哪份数字为准？
以 2026-09-15 发布文为准：端到端约 70–500 毫秒（西海岸官方评测），输入 0.042 美元 / 百万 token，输出免费。193.6 倍和 444.6 倍是官方 workflow 评测峰值，官方称偏乐观。
下一步：用一段真实状态把阈值跑通
JEV 赌的未来很窄。聊天继续交给会写字符串的模型。状态进去，类型化的决策和校准概率出来，低置信度交给人。
类型安全让错误变得可管理。它没有让判断变成真理。阈值、人工兜底，以及你自己流量上的校准，仍然写在模型外面。
下一步读 TypeSafe 的发布文和文档。拿一段真实的用户状态，先把「置信度低于阈值就转人工」跑通，再谈能不能进生产。
来源
-
TypeSafe AI，Introducing System One Models & Jev，2026-09-15。https://typesafe.ai/blog/introducing-system-one-models-and-jev
-
TypeSafe Docs。https://docs.typesafe.ai/
-
TypeSafe workflow evals。https://evals.typesafe.ai/
-
typesafe-ai/system-one-adapter-python。https://github.com/typesafe-ai/system-one-adapter-python
-
Daniel Kahneman，Thinking, Fast and Slow。https://www.penguinrandomhouse.com/books/89308/thinking-fast-and-slow-by-daniel-kahneman/
-
发布文 Speed 一节引用的大模型端到端时延。https://llm-benchmarks.diegoromero.es/
评论