TypeSafe AI 推出 Jev：零幻覺、成本大幅降低的類型化決策模型

TypeSafe AI 於 2026 年 9 月 15 日正式宣布 Jev 的早期存取版，這是經過兩年低調研發後的首次公開亮相。公司將 Jev 定義為全新 System One 系列模型的旗艦，專為在軟體應用內執行結構化決策而設計，與傳統的對話式文字生成模型截然不同。

System One 模型的獨特之處

System One 模型與傳統大型語言模型的運作方式迥異，它要求使用者以已類型化的請求提交當前狀態資訊以及預先定義好的選項集合。模型在接收到這些結構化輸入後，會回傳一個具體的決策以及對應的校準機率分數，使下游程式碼能依據信心水準自動化處理，或在信心不足時升級至人工介入。

根據 TypeSafe 的說法，模型的底層架構結合了平行抽樣器與一種稱為「校準決策強化學習」（RLCD）的訓練方法。公司聲稱，這兩者的結合能確保模型的所有輸出始終停留在事先定義好的類型空間內，因而行銷為「零幻覺」特性——模型不會產生超出預定結構的文字或資訊。

效能主張與定價

TypeSafe 表示，Jev 在 System One 工作流中的推論速度較其自家基線模型提升了 193.6 倍，成本則降低了 444.6 倍，這些數據皆來自公司內部的示範測試，尚未經第三方獨立驗證。

在定價策略上，Jev 採取相當簡潔的模式：每十億輸入代幣收費 42 美元，且在啟動階段不收取任何輸出代幣費用。相較於一般同時對輸入與輸出代幣計費的模式，這種僅收取輸入代幣的方案對於以決策為核心的工作負載而言，可望大幅降低總體成本。

限制與運營考量

即便宣稱具備零幻覺特性，TypeSafe 仍提醒使用者，模型所選出的決策可能並非完全正確。模型只能在提供的選項中做出選擇，錯誤大多源於校準不足或輸入資訊模糊，而非產生與任務無關的文字。

目前，Jev 的參數規模、詳細架構、訓練資料來源以及完整的模型說明書在發布時均未對外公開。潛在使用者必須自行驗證模型的適用性，特別是確認機率估計在其特定領域內是否足夠校準。

• 在具代表性的內部資料集上驗證機率校準
• 根據機率分數設定明確的自動化門檻
• 為低信心案例建立人工審核的備援流程
• 持續監測決策結果以偵測漂移，並視需要重新訓練

Jev 主要針對事先知道可能結果的分類與決策任務設計，例如詐欺偵測、貸款審批或工單分派等場景，並不適用於自由文本創作、摘要或任何需要開放式生成的情境。

計畫導入 Jev 的組織應撥出足夠資源，在自有資料上進行嚴格測試，必要時微調 RLCD 訓練管線，並制定完善的治理政策，明確規範何時可以在無人工監督的情況下採納機器決策。

以臺灣的企業為例，若將部分傳統的規則式決策引擎替換為 Jev，不僅能縮短回應時間、降低運算成本，還能透過機率門檻保留安全緩衝。此舉將提供更具彈性的決策邏輯，隨著資料變化持續演進，同時也帶來校準監控與人機協作設計的新責任。

總結來說，Jev 代表了 TypeSafe AI 在結構化決策領域的一次重要嘗試，其零幻覺宣稱與顯著的效能提升吸引了不少關注。然而，缺乏公開的技術細節與第三方驗證，使得潛在採用者必須自行進行嚴格測試與校準，以確保在實際業務環境中的可靠性與安全性。