TypeSafe 的 Jev 把 AI 輸出收窄為機率決策，開啟面向代理路由的新模型賽道

新聞概覽與發布時間

2026 年 10 月 3 日，TypeSafe AI 正式發布 Jev，並定位為「System One 決策模型」。官方聲明指出，模型在接受已類型化的輸入狀態後，只回傳 choice、score 或 noul 機率，並不產生自然語言段落。此模型的目標是將 AI 輸出收窄為可直接用於自動化代理路由的機率決策，協助企業在高併發即時場景中降低計算開銷。

技術原理：從輸入到機率輸出

傳統的生成式模型會輸出完整的文字內容；而決策模型僅提供離散選項及其信心分數。System One 透過對輸入施加類型化約束，確保回傳值始終是可量化的機率或分數，從而簡化後端業務邏輯的整合。系統會先對問題進行類型標註，例如二分類、三分類或數值回歸，然後在內部模型中僅計算對應的機率分布。回傳的 choice 表示最可能的選項，score 為信心分數，noul 機率則用於表示不確定或拒絕的情況。

官方公布的計費方式為每百萬輸入 token 收費 0.042 美元，輸出則免費。公開資料顯示端到端延遲在 70 毫秒到 500 毫秒之間，實際使用中常見約 0.4 秒的回應時間。在實際部署的雲端實例中，用戶報告的 95% 回應時間落在 0.3 秒至 0.5 秒之間，滿足多數金融交易和廣告投放的毫秒級要求。

性能評測與競爭格局

TypeSafe 在四類工作流的內部評測中，Jev 的平均準確率為 67.8%。單個案例的成本約 0.0004 美元，平均耗時約 0.4 秒。四類工作流分別涵蓋文本分類、意圖識別、異常偵測和業務規則匹配，Jev 在這些場景下的表現相對均衡，未出現單一任務的顯著失效。

同一來源的對比顯示，Claude Sonnet 5 的準確率與 Jev 相同，但費用更高且回應更慢；OpenAI 的 Sol 模型在相同測試中取得 74.1% 的準確率，說明 Jev 並非在所有維度上領先。

Jev 上線三週內，Fastino 推出的 GLiDE、GLiNER2.5-Decide 以及多個開源復刻相繼加入競爭，形成了圍繞機率決策的細分賽道。Fastino GLiDE 主打低延遲的邊緣部署，GLiNER2.5-Decide 則強調開源可自訂的模型權重，眾多社群復刻則提供了基於相同架構的本地化版本，進一步壓縮成本。

業務適用場景、局限與未來影響

QbitAI 對創始人 Diogo Almeida 的採訪中稱，TypeSafe 的估值已達到 100 億美元，重點布局即時業務、暗數據、編碼代理和校驗觀測等場景。該估值為公司自報，未經過獨立審計。

決策模型適合用於流量分流、類別判定和安全護欄等需要快速二元或多元選擇的場景；但不適合生成長文本、執行精確算術或未經審計的高風險人事決策。

對於中國企業而言，採用 Jev 需要評估每百萬 token 的成本、回應時延以及與本地合規要求的匹配度。若業務側重即時路由或自動化審批，轉向機率決策模型可降低後端整合複雜度並實現更細粒度的流量控制。此外，企業在引入決策模型時，還需考慮資料隱私法規對輸入 token 的審計要求，以及對模型輸出的可解釋性審查，確保在合規審計中能夠追溯每一次機率決策的來源。