Jev API
Jev 是 TypeSafe AI 的系统一模型系列，用于基于类型的概率决策：通过 Choice 进行分类，通过 Score 进行量规评估，以及通过 Noul 进行是否判断。可比较 Jev 1.13 和 1.14.0，包括特定版本的实验性功能。
Jev 1.14.0 API
typesafe/jev-1.14.0
Jev 1.14.0 改进了类型化决策和多语言支持，新增了实验性 Box 输出，以及可选的图像和更长上下文功能。
Jev API 背景介绍
概述
Jev 专为需要可直接据此采取行动的决策的应用程序而设计。请求提供状态和一组类型化问题；响应包含结构化答案，而不是生成的解释。状态可以描述客户消息、文档、产品、事件或其他应用程序记录。应用程序定义可用的结果并决定结果如何影响其工作流。当系统既需要书面响应又需要明确的决策时，Jev 可以补充文本生成模型。
发展历史
此系列页面汇集了平台的 jev-1.13 和 jev-1.14.0 条目。TypeSafe 于 2026 年 10 月 14 日发布了 Jev 1.14.0，描述了跨任务的增量改进，并特别关注多语言质量。其原始 API 使用版本 ID jev-1.13.0 和 jev-1.14.0；此平台上的模型标识符遵循所选的版本卡片。上游版本的发布并不意味着每个提供商都已经公开了它。
关键创新
- 类型化决策基元使软件能够使用选定的标签、数字分数和概率，而无需从散文中提取它们。
- 独立的问题可以共享一个状态。应用程序可以收集多个判断并使用明确的业务逻辑结合它们。
- 实验性图像输入可用于两个版本的上游，而实验性 Box 问题类型特定于 Jev 1.14.0。
Jev API 技术规格
架构
TypeSafe 将 Jev 称为系统一模型：围绕作为类型化问题提供的狭隘判断构建的模型。针对相同的状态独立评估每个问题。它适用于范围明确的决策；需要多个推理步骤的广泛任务应该分解为单独的判断并在应用程序代码中组合。公共文档此处未提供参数计数，因此不作任何假设。
功能
- Choice 从开发人员定义的命名选项集中进行选择，返回所选选项、概率分布和置信度值。它适合没有固有顺序的类别，例如支持部门或产品类别。
- Score 评估有序的量规。它返回一个可能介于量规级别之间的数值分数、这些级别的概率以及置信度。编写区分每个级别含义的描述。
- Noul 评估是/否语句并返回零到一之间的概率。将其用于单个谓词，而不是将概率视为无条件的布尔结果。
- Choice 和 Score 置信度总结了输出分布的集中度；它不同于正确性的保证。阈值和升级策略属于应用程序。
- 上游默认上下文限制为整个请求 64k 个令牌，状态加上任何单个问题为 32k。问题必须符合这两个限制。这些是上游参考限制；检查所选平台条目的公开配置。
- 上游实验性长上下文需要 TypeSafe-Danger-Zone-Long-Context: true 并将两个上下文限制提高到 262k。图像输入需要 TypeSafe-Danger-Zone-Images: true。标头传递和实验性支持必须通过实际提供商进行验证。
局限性
- Jev 不是通用的散文生成接口。当产品需要书面答案、开放式构图或详细解释时，请使用单独的生成模型。
- 图像输入、Box 输出和扩展上下文是选择加入的上游实验性功能，并不保证生产就绪性或通过该平台的可用性。
- 较长的上下文会降低准确性并增加延迟。提供相关证据，并避免让一个问题承载多个不相关的判断。
- 不要从实验性图像支持中推断对音频或视频的支持。在评估之前，将不受支持的媒体转换为适当的文本或结构化证据。
Jev API 性能
优势
- 显式输出类型适合软件必须使用结果进行分支、排名或路由的工作流。
- Choice 可以比较已知的类别；Score 可以保留有序的评估，而不是将每个判断强加为二元决策。
- 置信度感知处理可以区分自动决策与需要额外证据或人工审查的情况。
- 共享状态、多问题模式使得评估单个记录的不同方面成为可能，同时使最终策略在代码中保持可见。
实际效果
在采用版本或更改阈值之前，使用具代表性的评估集。包括模棱两可的记录、缺失的信息、少数群体类别以及客户使用的语言。在实际提供商下衡量任务准确性、错误的自动操作、审查量、延迟和成本。TypeSafe 的发布公告描述了 1.14.0 中的广泛改进，但并未针对每个工作负载建立普遍的改进百分比。保留固定的旧版本，直到替换通过您自己的接受标准。
Jev API 适用场景
应用场景
- 支持分诊：从固定列表中选择所属团队，并使用有序量规单独评估紧急程度。
- 目录和文档分类：将记录映射到已知标签，同时保留不确定的案例供审查。
- 内容评估：评估单个策略条件或质量维度，然后使用明确的应用程序规则将其组合。
- 代理路由：在已知的处理程序或工具之间进行选择，并在执行操作之前应用普通的权限检查。
- 检索管道：根据提供的证据评估候选相关性或验证狭义陈述的声明。
最佳实践
- 每个问题编写一个范围明确的判断。将证据置于状态中，并定义相互可区分的 Choice 选项或描述性的 Score 级别。
- 将置信度和概率作为经过测试的决策策略的输入。包括不确定决策不应自动执行的审查或弃权路径。
- 在评估和部署期间固定特定的模型版本。从 1.13 迁移到 1.14.0 时重新测试阈值；不要假设相同的输出分布。
- 在集成之前验证所选版本的平台状态和价格。官方的上游定价和端点不能替代此平台的特定版本 API 文档。
- 在所选提供商和您的评估支持它们之前，将图像和扩展上下文实验与初始生产文本工作流分开。
- 参考文档：https://docs.typesafe.ai/introduction ; https://docs.typesafe.ai/models ; https://docs.typesafe.ai/primitives/choice ; https://docs.typesafe.ai/primitives/score ; https://docs.typesafe.ai/confidence ; https://docs.typesafe.ai/images ; https://typesafe.ai/blog/jev-1-14 。