认识 JEV · SYSTEM ONE 模型

认识 Jev：
结构化决策模型。

让智能化为行动。

让信息成为决策，让软件即刻行动。
认识 Jev，为自动化而生的快速决策模型。

看看 Jev 如何思考了解 System One

类型安全并行决策概率校准

决策引擎JEV / 01

非结构化输入结构化决策

70–500ms

端到端响应延迟^*

1 call

一次调用，并行回答

Type-safe

类型约束，直接进入代码

P(decision)

每个判断，都有概率依据

* 延迟数据来源：TypeSafe AI 官方发布；实际表现随任务与运行条件变化。

01 / 一种不同的智能

Jev 是什么？

Jev 是 TypeSafe AI 首款公开的 System One 模型，面向软件中的自动化决策。

你提供状态和预定义问题，Jev 返回类型化答案及其概率，供程序按业务规则决定下一步。

在下面体验决策流程

02 / 从状态到决策

Jev 如何工作？

提供上下文、定义问题类型，再读取结构化决策。下方用预设样本演示客服分流、内容审核和线索评分。

01 / 输入状态输入状态

客户来信文本

你好，我上周订阅了专业版，但今天发现被重复扣费。请帮我退回多扣的费用，谢谢！

类型化问题预定义问题

intentenum

needs_humanboolean

urgencyscore 1–5

JEV

02 / 决策结果结构化输出

示例结果

{
  "intent": {
    "value": "refund",
    "probability": 0.96
  },
  "needs_human": {
    "value": true,
    "probability": 0.92
  },
  "urgency": {
    "value": 4,
    "confidence": 0.89
  }
}

下一步示意：转交账务专员，优先核查重复扣费。

给出上下文

消息、日志或业务事件，
保留信息原本的样子。

先定义答案的形状

分类、真假或数值评分，
由你确定输出类型。

把判断交给程序

读取结果与概率，
按业务阈值决定下一步。

03 / 新的基础能力

Jev 与 LLM 有何区别？

Jev 围绕预定义问题返回类型化决策与概率；LLM 侧重通用生成与推理，也可通过结构化输出约束 JSON。

类型正确 ≠ 判断一定正确。
关键业务仍需阈值、校验与人工兜底。

完整对比 Jev 与 LLM

Jev 与语言模型的四个比较维度。
比较维度	语言模型	Jev · System One
输出	文本或受约束的 JSON	预定义类型的值
过程	逐 token 生成	多个判断并行返回
衔接	解析或 Schema 约束	读取结构化结果
概率	视模型与接口而定	返回校准概率

基于 Jev 官网的产品定位；具体能力以实际接口为准。 TypeSafe AI · Jev 官网

04 / 无处不在的智能

Jev 适合哪些场景？

Jev 可用于工作流路由、实时交互、批量特征提取和模型安全评估。

01 / 工作流分流

让每个任务，各就其位。

识别意图、评估优先级，把消息和工单送到合适的处理节点。

工作流路由

02 / 实时交互

反馈，跟上当下。

根据当前状态快速判断，为延迟敏感的交互系统提供决策依据。

实时交互

03 / 特征提取

从海量信息，找到信号。

将非结构化内容整理为分类与评分，让数据进入可计算的流程。

批量特征提取

04 / 安全检查

为下一步，多一道判断。

评估提示词与模型输出的风险，帮助系统决定放行、复核或拦截。

模型安全评估

少一些等待，多一些行动。

让智能，成为行动的一部分。

从一个问题开始，探索 Jev 能为你的系统做出的下一个决策。

申请 API 早期访问前往 typesafe.ai 申请访问

认识 Jev： 结构化决策模型。