定位与差异
Jev 是 TypeSafe AI 推出的 System One 前沿模型，定位与传统生成式语言模型明显不同：它不生成自然语言文本，而是接收非结构化的输入状态，直接输出带类型的概率化决策结果。返回内容以 Choice、Score、Noul 三种结构化类型呈现，并附带经过校准的概率，供下游代码直接消费，更适合嵌入到需要确定性决策分支的系统里。
核心能力
- 非结构化输入解析：可接收自由形式的状态描述，将模糊信息转化为可计算的决策对象。
- 类型化输出：三种返回类型让前端逻辑无需再解析自然语言，直接进入条件分支与流程编排。
- 校准概率：结果附带概率值，便于做阈值筛选、A/B 路由或与其它模型信号加权。
- 面向代码执行：输出天然适配函数式调用和工作流引擎，减少"模型幻觉式文本"带来的不确定性。
适用与不适用
Jev 比较适合需要从噪声输入中"立刻决定下一步"的场景，例如意图分类、风险分档、路由分发、内容审核分流、营销触达优先级排序等。它不太适合需要长篇创作、开放式闲聊或多轮对话式生成的场景，也不应被当作聊天机器人使用。
上手提示
- 把业务问题抽象成"输入状态 → 选择 + 分数"的模式，而不是设计提示词让模型"解释"为什么。
- 优先用 Score 和概率阈值控制自动化边界，把低置信度的结果留给人工复核。
- 将 Jev 视作系统中的一个决策节点，与规则引擎或传统 ML 模型组合使用，避免单点依赖。
具体接入方式、计费与可用区域，请以 官网 为准。