跳到主要內容
2026-10-28 日報
模型發布

TypeSafe AI 發布決策模型 Jev:僅輸出型別化機率,輸入每百萬 Token 0.042 美元且輸出免費

AI 前線單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

本次未取得足夠原文證據

由 RLHF 共同發明人 Diogo Almeida 創立的 TypeSafe AI 發布決策模型 Jev(jev-1.13),為其 System One 系列首款產品。該模型不生成文字,而是接收狀態資料與型別定義問題後,單次平行返回 Choice(選擇)、Score(評分)與 Noul(布林機率)等具備機率分佈與信心度值的結構化決策。其計費為輸入每百萬 Token 0.042 美元、輸出免費,具備 32,000 Token 上下文視窗,官方標稱延遲為 70 至 500 毫秒,透過「校準決策強化學習」訓練完成。 Vercel 於上線次日將其納入 AI Gateway,並稱 24 小時內覆蓋近 13% 付費團隊,比例達 GPT-5.6 兩倍;Netlify 與 LangChain 隨後跟進,LangChain 釋出支援模型路由與工具呼叫篩查的 TypeSafeClassifier 整合。第三方分析機構 OpenChamber 統計 12,759 則推文指出,使用者回報的延遲中位數為 76 毫秒、成本節省中位數達 30 倍,速度提升中位數為 7 倍(低於官方宣稱的 193.6 倍)。 然而開發者與官方文件亦標明其局限:該模型僅能保證型別合法,仍可能輸出錯誤數值。官方「已知不穩定特性」文件指出,jev-1.13 在計數、算術運算及日期比較上存在不可靠性,且處理高雜訊的長狀態資訊時準確度會下滑,建議使用者將數學計算保留在程式碼端執行,並固定版本號以避免預覽別名更新造成漂移。
讀原始報導

背景

現行常見的模型安全檢測與評估機制,大多依賴生成式模型對每項標準逐一進行解碼評判,或使用如 Llama Guard 這類每次呼叫僅能評估單一固定標籤的分類器。Jev 則作為判別式模型,透過校準決策強化學習(RLCD)訓練,旨在單次運算中同時判定多個帶型別的問題,而非生成自然語言文字。

來源