「不會幻覺」的 Jev 是什麼？7 張圖拆開 TypeSafe 的話術

Q: Jev 多少錢？現在用得到嗎？

官方定價是每百萬 input token 0.042 美元，output 免費。目前是 early access，要在 typesafe.ai 排 waitlist，TechCrunch 報導發布後需求一度超過 API 容量。

Q: Jev 支援中文嗎？

支援，但官方文件寫明英文是主要訓練語言、準確率最好，CJK 語言較弱，建議自己測。中文團隊導入前，先拿 20 到 50 筆自己的真實案例跑過再決定。

Q: Jev 可以取代 GPT 或 Claude 嗎？

只能取代其中一部分呼叫：分類、路由、打分、是非判斷這類答案選項事先列得出來的工作。寫文章、寫程式、解釋理由它都做不到，常見做法是 Jev 先篩，沒把握的再交給 LLM。

9 月 15 日，一家叫 TypeSafe AI 的新創放出一個不會寫字的 AI 模型，名字叫 Jev。官網首頁寫它比一般 LLM 快 193.6 倍、便宜 444.6 倍，而且「數學上不可能幻覺」。

前兩個數字有條件，第三句話少講了一格。

這篇用 7 張圖把 Jev 拆開：它怎麼運作、官方數字該怎麼讀、行銷沒提的是哪一格，最後給你四個問題，判斷自己的系統該不該接。先說清楚，這篇沒有自己實測，Jev 還在排 waitlist。數字都來自官方文件和媒體報導，出處寫在句子裡；已經拿到 API key 的人在 X 上貼出來的實測，中間收了六則，有誇的也有潑冷水的。

Jev 是什麼？一個只回答選擇題的模型

想像你的客服後台。工單一張一張進來，每一張都要先決定丟給哪個團隊、急不急。你現在的做法大概是呼叫一次 LLM，請它回一段 JSON，然後祈禱那段 JSON 是合法的。

Jev 是 TypeSafe AI 在 2026 年 9 月發布的 System One Model：你給它一段程式狀態和幾個型別化的問題，它不生成文字，直接回傳選項、分數或機率，程式不用解析就能接著跑。

用生活一點的講法。一般 LLM 像請一位教授寫報告，你再自己從報告裡翻答案。Jev 像機場的分流員，看你一眼，手一指：「3 號櫃檯，我九成把握。」他不解釋，也不會寫報告。

左欄是一般 LLM 做一個判斷要走的五步：組 prompt、逐 token 生成文字、解析 JSON、驗證型別（失敗要重試）、程式拿到決策。右欄是 Jev 的三步：送出狀態與型別化問題、單次平行 pass、直接拿到型別化決策與機率。 — 圖 1：同一個判斷，LLM 要生成、解析、驗證、重試；Jev 一次 pass 就結束

「System One」這個名字來自 Kahneman 的《快思慢想》：系統一是直覺，系統二是推理。TypeSafe 的說法是，大家都在蓋會慢慢想的系統二，但軟體裡大部分的決策只需要一個夠快的直覺。

公司背景也是這次受關注的原因。TechCrunch 報導，創辦人 Diogo Almeida 是前 OpenAI 研究員，參與過 ChatGPT 與 RLHF；TypeSafe 隱身開發兩年，種子輪募到 4,000 萬美元。模型名字取自經濟學家 Jevons，也就是「東西越便宜，用量越大」那個悖論。

訓練方式有兩個重點。TechCrunch 提到它全部用合成資料訓練；官方則把演算法叫做 RLCD（Reinforcement Learning for Calibrated Decisions）。RLHF 教模型講人類喜歡聽的話，RLCD 教模型把機率講老實：它說九成把握的事，就該真的有九成會對。

Jev 的 API 怎麼用：三種問題，一次問完

整個 API 只有三種問題型別。

型別	你在問什麼	它回什麼
`choice`	從這份清單選一個	選項、每個選項的機率、confidence
`score`	照這個 rubric 打幾分	分數、機率分布、confidence
`noul`	這句話成立嗎	一個 0 到 1 的機率

三種可以塞在同一個 request 裡。官方文件說這些問題是平行、而且彼此隔離地評估，所以多問幾題，延遲幾乎不變，也不會因為問題變多就互相干擾。

一個 request 帶著 state 與多個問題送進 Jev；choice、score、noul 三種問題平行且彼此隔離地評估，各自回傳選項與機率、分數與機率分布、0 到 1 的機率，最後合併成一個 response。 — 圖 2：一個 request 可以同時帶三種問題，Jev 各自獨立回答

官方文件裡最短的例子長這樣，問一張工單急不急：

{
  "state": "Help! My payouts have been failing for 3 days.",
  "model": "jev-latest",
  "questions": {
    "is_urgent": { "type": "noul", "instructions": "Does this convey urgency?" }
  }
}

回來的東西只有一個數字："noul": 0.92。沒有「好的，我來幫你分析」，也沒有需要剝掉的 markdown。

幾個你接之前要知道的規格，都出自官方 Models 頁：

版本：Jev 1.13.0，jev-latest 和 jev-preview 目前指向同一版
價格：每百萬 input token 0.042 美元，output 免費
長度：每個 request 64k tokens，其中 state 加最長那一題不能超過 32k
輸入：只吃文字（字串、JSON、陣列），圖片和音訊要自己先轉
流量：每秒 25 萬 tokens、每分鐘 1,200 個 request，官方註明還在動態調整

官方 benchmark 該怎麼讀

TypeSafe 自己設計了一組 4 個 workflow 的測試，DataCamp 把結果整理成表。兩張圖看完你就懂它的定位。

散佈圖，橫軸是每案延遲（對數刻度），縱軸是準確率。Jev 0.4 秒、67.8%；GPT-5.6 Terra 10.1 秒、67.9%；GPT-5.6 Sol 23.3 秒、74.1%；Claude Opus 5 37.8 秒、73.1%。Jev 與 Terra 準確率幾乎相同，但快約 25 倍。 — 圖 3：準確率和 GPT-5.6 Terra 只差 0.1 個百分點，延遲差約 25 倍（TypeSafe 官方 benchmark）

Jev 的準確率是 67.8%，跟 GPT-5.6 Terra 的 67.9% 幾乎一樣，比 GPT-5.6 Sol（74.1%）和 Claude Opus 5（73.1%）低 5 到 6 個百分點。它沒有比較聰明。

那它贏在哪？看成本。

橫條圖比較每處理一個案例的成本（美元）：Claude Opus 5 為 0.1761、GPT-5.6 Sol 為 0.0836、GPT-5.6 Terra 為 0.0304、Jev 為 0.0004。在同一個線性刻度上，Jev 的長條不到一個像素。 — 圖 4：同一個線性刻度上，Jev 的每案成本 0.0004 美元畫出來不到 1 個像素（TypeSafe 官方 benchmark）

Jev 賣的是同樣聰明，便宜兩個零。

不過這組數字有三個要打折的地方。

第一，出題的是 TypeSafe 自己。kingy.ai 的評測整理了幾個問題：題目是官方設計的，官方也承認測試框架可能有偏誤，公開的只有摘要統計，沒有完整的標註資料集和原始預測。

第二，首頁那個 193.6 倍和 444.6 倍，用上面這張表算不出來。同一篇評測建議把它當成「特定工作負載下的宣稱」，別當成通用倍數。

第三，第三方跑出來的數字保守得多。TechCrunch 引用的兩個案例：Vercel 測到比 OpenAI Luna 5.6 快 5 到 18 倍；Bryo AI 拿 email 分類來比，Jev 比 Gemini 便宜 10 到 20 倍，但 Gemini 的準確率略高。快很多、便宜很多都是真的，只是離「兩百倍」有一段距離。

還有一個容易漏掉的觀察，來自 Anthony Maio 的分析：在那組測試裡，所有對照模型只要被放進拆好步驟的 workflow，都變得更準、更快、更便宜。也就是說，這個實驗在替 Jev 說話之前，先替「把大判斷拆成小問題」說了話。這件事你今天用 LLM 就能做。

X 上的實測：拿到 API key 的人測出什麼？

官方數字看完，來看已經排到 early access 的人跑出來的結果。六則，前四則是好消息，後兩則是提醒。

先是 Vercel。CTO Malte Ubl 拿一組原本給 Gemini 2.5 Flash Lite 跑的分類 eval 來測，Jev 品質把那組 eval 打滿，速度快 6 倍。

同一家公司的另一個場景。Vercel 的 fx 在 auto 模式下，每一道指令都要先過一個安全審查器，現在跑的是 GPT Luna。執行長 Guillermo Rauch 說換成 Jev 之後 p95 最多快 18 倍，而且更準，之後會進 Vercel AI Gateway。前面 TechCrunch 引用的「5 到 18 倍」就是這一組。

再來是成本。Hassan El Mghari 用 Jev 把 1,018 篇 AI 論文分進 24 個主題，總共花 0.08 美元，每篇的端到端延遲中位數 256 毫秒。摘要那一步還是用 LLM 做，Jev 只負責分類，這正是圖 7 那種分工。

速度快到一個程度，用法會跟著變。這段示範把 Jev 接上 opencode 的瀏覽器操作 CLI 來測 app，每一步「接下來點哪裡」都交給 Jev 判斷。

接下來是兩則提醒。

有人用 Cerebras 加上 Qwen 3.8 27B 硬做了一個 LLM 版的替代品來對照。這位作者的結論是品質和速度都差不多，Jev 在表現上小贏，真正拉開的是成本，Jev 便宜很多。講直接一點，Jev 的速度用夠快的推論硬體配開源模型追得上，價格追不上。

最後這一則最值得中文團隊看。一個本來就有微調分類模型的團隊，把 Jev 指向自己的內部 benchmark：Jev 零樣本的 recall 在相同 precision 下，跟他們的微調模型差距在 5 個百分點以內，全部流量跑下來一個月大約 70 美元。但他們自己微調的 Qwen 還是贏。

六則放在一起看，形狀很清楚。你本來用 LLM 做分類，換 Jev 多半又快又省；你本來就養了一個微調模型，Jev 零樣本追得很近，但還沒追上。

Jev 贏的是 LLM，還沒贏你自己的微調模型。

要注意的是，這六則測的全是英文任務，而且會貼出來的人本來就偏向測得不錯的那一群。

「不會幻覺」少講了哪一格？

換一個場景。你的 agent 準備執行一個它沒被授權的動作，你先問 Jev 該不該放行。Jev 回了 approve。

型別對，schema 對，機率欄位也在。你的程式照跑，沒有任何地方報錯。

Hacker News 的發布討論串裡，有人就用這個例子質疑 TypeSafe：官方在圖表上把幻覺率標成 0%，理由是輸出保證符合 schema，可是一個放行了未授權動作的 approve 同樣符合 schema。那則留言裡有一句話很值得記：「Type safety is not factual correctness.」The Register 的報導講的是同一件事，Jev 的輸出被限制在你定義的選項裡，當然不會編造法律引文，但這不代表它不會選錯。

把「錯」拆成兩個維度，事情就清楚了。

二乘二矩陣，橫軸是輸出格式對或錯，縱軸是判斷對或錯。Jev 在設計上消滅了格式錯的左欄，但右下角「格式對、判斷錯」仍然存在：官方 benchmark 準確率 67.8%，代表約三成案例落在這一格，而且程式不會報錯。 — 圖 5：Jev 消滅的是「格式錯」那一欄，「格式對、判斷錯」那一格還在

左邊那一欄是 LLM 的老問題。DataCamp 引用的官方數字是：OpenAI 的 Luna 和 Terra 結構錯誤率 0.58%，Claude Opus 5 是 5.73%，Claude Haiku 4.5 高達 45.5%。Jev 把這一欄歸零，這是真本事，對沒人盯著的自動化流程來說很有感。

右下角那一格才是問題。準確率 67.8% 的意思是，大約三成的案例會拿到一個格式完美的錯答案。而且比起 JSON 壞掉，這種錯更難抓：JSON 壞了程式會炸給你看，選錯了程式會安靜地繼續跑。

格式錯會報警，判斷錯不會。

替 Jev 講句公道話，它真正的賣點是機率有校準過。DataCamp 的評測認為這是最實用的功能：一般 LLM 就算你叫它報機率，也常常過度自信；Jev 讓你能設一個門檻，有把握的自動執行，沒把握的交給別人。只是 HN 上也有人補了一刀：每一題各自校準，不代表你把好幾題組合起來做的那個決定也是校準的。

中文團隊要多看一眼的地方

官方 Models 頁有一段話，英文媒體幾乎沒人提：英文是主要的訓練語言，準確率也最好；其他語言包含 CJK 都支援，但比較不準，建議自己測。

想一下你真實的工單長什麼樣。不會是「My payouts have been failing for 3 days」這種教科書英文，比較像「欸我錢咧三天了客服都不回」。注音文、中英夾雜、沒有標點。圖 3 那個 67.8% 是在英文任務上量的，搬到這種輸入上會掉多少，目前沒有任何公開數字。

所以中文團隊的第一步是自己量，別急著接 API。不用多，照先讀 20 到 50 筆真實失敗案例的 evals 做法，把你自己的工單標成對錯，跑一輪就知道了。Jev 的輸出本來就是選項和機率，剛好是最容易自動評分的那種。

我該不該用 Jev？先問四個問題

決策流程圖：答案選項事先列不出來就用 LLM；判斷量不大、不趕時間也用 LLM；每個判斷都要附理由就讓 Jev 先篩、LLM 補理由；輸入主要是中文就先拿自己的資料測過；四關都過才直接用 Jev 並設定 confidence 門檻。 — 圖 6：四個問題由上往下問，任何一關卡住就先別急著換

如果你在做客服分流、內容審核、模型路由這類事，每天幾十萬次判斷、選項固定、要快，這條路適合你。Jev 的定價和延遲就是為這種場景設計的。

如果你在金融、醫療這類要稽核的領域，第三關會卡住你。Jev 只給機率，不給理由，DataCamp 的評測直接點名這對合規稽核是實際的限制。你還是可以用，但得搭一個會解釋的東西在旁邊。

如果你的 LLM 帳單本來就不高，現在什麼都不用做。要重新考慮的時間點是：你發現帳單裡有一大塊，其實是在叫一個會寫論文的模型回答「是」或「不是」。

怎麼接進現有系統：Jev 當反射神經

比較務實的接法，是把 Jev 放在 LLM 前面當第一道篩子，別想著整組換掉。

架構圖：事件先交給 Jev 判斷並回傳 confidence；高於門檻的由程式直接執行，低於門檻的轉給 LLM 補判斷與理由，再交人工覆核；兩條路最後都寫進稽核紀錄。 — 圖 7：有把握的直接執行，沒把握的交給 LLM 和人，兩條路都留紀錄

事件進來先過 Jev。confidence 高於你訂的門檻，程式直接執行；低於門檻，轉給 LLM 補判斷、順便寫出理由，再讓人做最後決定。這樣大部分的量走便宜的那條路，而圖 5 右下角那一格，至少有一部分會被門檻攔下來。

TechCrunch 整理的早期用法也都是這個形狀：監控 LLM agent 有沒有亂來、做模型路由、審查指令安不安全。LangChain 已經出了整合，用 TypeSafeClassifier 把 Jev 包成 agent 迴圈裡的一個判斷元件。這跟把 harness 當成模型的身體是同一個思路，也呼應之前寫過的在 agent 迴圈裡加閘門：閘門本身要夠快夠便宜，你才捨得每一步都放一個。

另一條路也值得放在桌上，前面那則微調 Qwen 還是贏的實測就是例子。如果你的分類任務很固定、資料又不能送出公司，自己微調一個小型分類模型、跑在本地，同樣可以做到輸出永遠合法、延遲很低。代價是你得自己養模型，換一個任務就要重訓一次。Jev 的賣點在於不用重訓，改問題就好。

利益揭露：以下是聯盟連結。想走本地微調這條路的人，規格上 24GB VRAM 的麗臺 RTX PRO 4000 Blackwell 這個級距的工作站顯卡，足夠應付小型分類模型的微調和推論。

常見問題

Jev 是什麼？跟 ChatGPT 這類 LLM 差在哪？

Jev 是 TypeSafe AI 的 System One Model，它不生成文字。你給它一段狀態和幾個問題，它回傳選項、分數或 0 到 1 的機率，程式可以直接拿去用。LLM 是逐 token 寫出一段字，你再從字裡面解析答案。

Jev 真的不會幻覺嗎？

它不會回傳你沒定義的值，但會選錯。官方 benchmark 的準確率是 67.8%，代表約三成案例拿到的是格式正確的錯答案。

Jev 多少錢？現在用得到嗎？

每百萬 input token 0.042 美元，output 免費。目前是 early access，要在 typesafe.ai 排 waitlist。

Jev 支援中文嗎？

支援，但官方文件寫明英文最準、CJK 較弱，建議自己測。導入前先拿 20 到 50 筆自己的真實案例跑過。

Jev 可以取代 GPT 或 Claude 嗎？

只能取代分類、路由、打分、是非判斷這類呼叫。寫文章、寫程式、解釋理由它都做不到，常見做法是 Jev 先篩，沒把握的再交給 LLM。

把選擇題還給選擇題

Jev 值得看，因為它點出一件大家默默在做的浪費：我們一直拿會寫論文的模型來回答選擇題，然後為了把論文變回選項，再寫一堆解析和重試。

但「不會幻覺」這四個字請自動翻譯成「不會格式錯」。剩下那三成，還是得靠門檻、靠第二道模型、靠人來接。

打開你的 LLM 帳單看一眼：裡面有多少次呼叫，其實只是在回答「是」或「不是」？

資料來源：TypeSafe AI 官網、API reference、Models、TechCrunch、The Register、DataCamp、Hacker News 討論串、kingy.ai 評測、Anthony Maio、LangChain