小黃老師嘿技術

1. Jev 到底是什麼？

Jev 是 TypeSafe AI 推出的第一個「System One Model」。如果把一般大型語言模型想成一個很會讀資料、思考、寫報告的人，那麼 Jev 比較像坐在控制室裡、專門負責按按鈕的判斷員。

一般的生成式 AI 收到問題後，會一個字、一個字產生答案。即使你只是問它「這封客服信應該交給帳務部、技術部還是業務部？」，大型語言模型往往還是會先生成一段文字，再由程式把真正需要的答案擷取出來。

Jev 的思路完全不同。你先提供一份狀態資料，也就是官方 API 裡的 state，再告訴它有哪些問題需要判斷。Jev 不負責長篇大論，而是直接回傳事先定義好的結構化答案與機率。

也就是說，Jev 想解決的不是「如何講得更像人」，而是「如何讓軟體更快、更便宜地做大量 AI 判斷」。這也是它和 ChatGPT、Claude、Gemini 最大的定位差異。

2. 為什麼 Jev 這幾天突然爆紅？

最直接的原因就是兩個字：快、便宜。

TypeSafe 公開 Jev 時指出，它的端到端延遲大約落在 70～500 毫秒左右。在官方設計、特別適合 System One 的工作流程測試中，部分案例甚至出現最高約 193.6 倍的速度提升與 444.6 倍的成本降低。不過這裡千萬不要誤會成「Jev 比 GPT 聰明 193 倍」，真正的原因是兩者處理的任務根本不同。

另一個讓 Jev 快速受到注意的原因，是現在的 AI Agent 越來越複雜。一個 Agent 執行一項工作，中間可能需要判斷幾十次甚至幾百次：「要不要搜尋？」「該用哪個工具？」「結果可信嗎？」「要繼續還是停止？」如果每一個小判斷都叫大型模型完整生成一次回答，速度與成本都會累積得非常可觀。

Vercel 在 Jev 加入 AI Gateway 後表示，首日就有接近 13% 的付費團隊使用過它，成為該平台採用速度非常快的新模型之一。這也是 Jev 在 X 上迅速擴散的重要原因。

3. 看懂 Jev，只要記住 Noul、Choice、Score

Jev 目前最核心的三種問題類型其實非常生活化：Noul、Choice、Score。你不用懂機器學習，也可以先把它們想成「是非題、多個選項擇一、評分題」。

真正有趣的是，這三種問題可以放在同一次請求裡，共用同一份 state。例如同一則客服訊息，可以同時問：「急不急？」「該交給哪個部門？」「客戶有多不滿？」而不是分三次叫模型處理。

{ "state":"客戶表示付款功能連續三天無法使用，今天再不處理就取消服務。","model":"jev-latest","questions":{"is_urgent":{"type":"noul","instructions":"是否需要緊急處理？"},"department":{"type":"choice","instructions":"哪個團隊最適合處理？","criteria":{"billing":"付款與帳務","technical":"Bug 與系統故障","sales":"價格與升級"}},"frustration":{"type":"score","instructions":"客戶目前有多不滿？","criteria":["平靜","不滿","非常生氣"]}}}

4. Jev 跟 ChatGPT、Claude 差在哪？

所以 Jev 並不是拿來取代 ChatGPT。比較可能的未來反而是兩者一起工作：大型模型負責真正需要理解、規劃與生成的任務，Jev 負責中間大量、重複而且答案範圍明確的小決策。

5. 正版 Jev 到底要去哪裡申請？

如果你想用的是 TypeSafe 自己提供的正版第一方 Jev，請認準官方 TypeSafe Console。

截至 2026 年 9 月 21 日，TypeSafe 官方文件列出的穩定版本是 jev-1.13.0，推薦使用的 alias 則是 jev-latest。官方價格為每 100 萬 input tokens 約 0.042 美元，output 目前不收費。

想看官方教學，可以直接前往 TypeSafe Quick Start 與 TypeSafe Documentation。

6. 不想等 TypeSafe Early Access，還有哪些正版管道？

這裡是很多人最容易搞混的地方：使用第三方平台，不代表你用的是仿冒版。目前有幾個平台提供的後端仍是真正的 TypeSafe Jev，只是透過不同 Gateway 介面存取。

7. 那大家一直講的 OpenJev 到底是什麼？

最重要的一句先記起來：OpenJev 不是 TypeSafe 把 Jev 開源。

截至目前，TypeSafe 並沒有公開官方 Jev 的模型權重。現在 GitHub 與網路上看到的 OpenJev，主要是開發者受到 Jev 啟發後，用 Qwen、Gemma、MiniCPM 等開放權重模型，重新實作「直接比較候選答案機率、不產生長篇文字」這個概念。

SemIf：原本最常被叫作 OpenJev 的網站

openjev.com 現在已經改名為 SemIf，首頁也清楚寫著「Formerly called OpenJev」。它最大的特色是模型直接下載到瀏覽器裡執行，不需要把每次輸入都送到它自己的後端伺服器。

目前它可使用包括 Qwen3 0.6B、MiniCPM5 2B、Qwen3.5 4B 等模型。它做的事情很直觀：不是讓模型把答案完整生成出來，而是直接看各個候選答案的 logits 與機率。

razorback16/OpenJev：模仿正版 API 的版本

另一個 razorback16/OpenJev 使用 DiffusionGemma 26B-A4B 與 vLLM，並實作和 TypeSafe 很接近的 /v1/systemone API，也支援 Noul、Choice、Score。它甚至刻意維持相似 API 格式，方便原本使用 TypeSafe SDK 的人切換。

不過作者本身也明確聲明：這是一個獨立專案，並未獲 TypeSafe 官方背書。

openjev-sglang：用大型 Qwen 模型重新做高速判斷

openjev-sglang 則使用 Qwen3.6-35B-A3B、SGLang 與高階 NVIDIA GPU，利用 prefix caching、prefill 與候選答案機率讀取來模擬 Jev 類型的高速決策流程。

Mac 使用者也有自己的版本

daseinlabs/open-jev 使用 Gemma 3 4B 與 Apple MLX，讓 Apple Silicon 的 Mac 也可以在本機研究這類「one-pass option scoring」玩法。對想理解 Jev 為什麼不必慢慢生成文字的人，這類專案其實很有教育價值。

NanoJev：不只改推論，而是開始真的訓練

NanoJev 又更進一步。它以 Qwen3-0.6B 為基礎，加入 decision head、訓練流程與相關實驗。也就是說，它不只是把普通 LLM 的第一個 token 機率拿出來，而是在研究能不能真的訓練出 open-weight 的 System One 類型模型。

8. OpenJev 跟正版 Jev 真正差在哪？

這個差異不能只看「API 長得像不像」。許多 OpenJev 類專案目前採取的是一個很聰明的方式：先讓普通大型語言模型讀完問題，再直接讀候選答案的機率，而不是進入完整的文字生成階段。

這也是為什麼「模型很有信心」不一定代表「模型真的判斷很準」。普通 LLM 對某個 token 給出 95% 的條件機率，與一個經過專門校準的決策模型回傳 95% confidence，概念並不完全相同。

所以如果你只是想玩概念、研究架構或追求本機運算，OpenJev 很有趣；但如果是公司正式流程、風險判斷、商業自動化，最好不要只看到兩個 API 長得一樣，就假設準確率也完全相同。

9. Jev 真的「零幻覺」嗎？

TypeSafe 在宣傳 Jev 時使用過「Zero Hallucinations」這類說法，但一般讀者最容易在這裡誤會。

比較精準的理解是：Jev 可以把答案限制在你事先允許的範圍內，因此不會突然生成一個不存在的選項。

例如你規定答案只能是：

Jev 就不會突然回答一個你沒定義的 marketing，也不會自己多寫一篇文章把 JSON 格式弄壞。這對軟體系統非常重要，因為「格式亂掉」本身就是自動化最大的麻煩之一。

但這不代表它不會判斷錯誤。TypeSafe 自己的文件也清楚指出 Jev 並不完美，在數學、精確數字、日期比較、多層間接推理、過多無關內容，以及 adversarial content 等情況仍可能出錯。

10. 一般人現在到底該怎麼玩 Jev？

如果你完全不寫程式，只是想知道 X 上大家到底在興奮什麼，最簡單的方法是先打開 SemIf。它能讓你直接感受「AI 不生成文章、直接比較答案機率」到底是什麼感覺。

如果你想測試真正的官方 Jev，則建議先登入 TypeSafe Console 申請第一方權限；不想等 Early Access，也可以查看 Vercel AI Gateway、OpenRouter 或 Cloudflare Workers AI 的支援狀況。

如果你本身會寫程式，又對本機 AI 有興趣，OpenJev、MLX open-jev、NanoJev 反而是很好的研究材料。它們真正有趣的地方，不是「免費版 Jev」，而是讓大家開始重新思考：AI 是否真的每一次都需要生成文字？

快速重點整理