Jev-1.13 API
活跃TypeSafe AI 的 Jev-1.13 是一个用于通过 Choice、Score 和 Noul API 实现快速、类型安全的概率输出的 System One 决策模型。
Jev-1.13 API 背景介绍
概述
Jev-1.13 是 TypeSafe AI 的旗舰 System One 模型，于 2026-09-15 发布，并通过 Jev-1.13 API 暴露给面向软件的决策工作流。它并不生成文本，而是将“非结构化状态”加上预定义的“类型化问题”，转换为带有概率与置信度的类型安全答案。该模型面向分类、打分与二元判断等快速、结构化决策而设计，从根本上不同于传统会输出字符串、需要后续解析与校验的 LLM。
发展历史
TypeSafe AI 于 2024 年由 Diogo Almeida 创立，联合创始人包括 Erik Gafni 与 Sasha Sheng，并在约两年时间里开发一种以“直接、机器可消费的决策”为核心的新模型类别。Jev 作为公司的首个 System One 模型出现，被定位为面向运营工作流的、对文本生成系统的替代方案。到 2026 年 9 月，Jev-1.13.0 成为 Jev-1.13 API 背后的当前版本，并且 jev-latest 别名也指向它；同时在常见 AI 网关、SDK 与社区工具上实现了生态集成，以支持生产使用。
关键创新
- 一种 System One 设计：返回结构化决策而非自然语言文本，使软件能够直接消费输出，无需解析。
- 三个可并行的决策原语——Choice、Score 和 Noul——让同一共享状态在单次请求中支持多种类型化评估。
- 以 RLCD 训练为核心、强调经过校准的概率与置信度，更重视真实的不确定性估计，而非文本偏好优化。
Jev-1.13 API 技术规格
架构
Jev-1.13 是一种非生成式决策模型，通过 Jev-1.13 API 提供服务，采用单次传递的并行评估模式，而不是自回归的逐 token 解码。输入可以是文本、JSON 对象或数组；每次请求将共享状态与一个或多个由三种原语构建的类型化问题结合起来：Choice 用于在枚举选项中进行选择，Score 用于有序刻度，Noul 用于二元真值概率。API 端点为 POST /v1/systemone，且共享上下文预算约为 32k 到 64k 个 token。
参数
在所提供的研究语境中，TypeSafe AI 尚未披露 Jev-1.13 的参数数量或模型规模。公开可用的技术阐述更强调接口行为、延迟、校准以及架构安全的输出格式，而非规模指标。对大多数采用者而言，Je v-1.13 API 更相关的特性包括：类型化输出、带置信度的概率分布、共享状态的多问题执行，以及通过 SDK 与网关集成实现的可部署性。
功能
- 使用 Choice、Score 与 Noul 基于非结构化状态执行类型化语义决策，并返回概率与置信度数值。
- 支持低延迟、高频推断模式，适用于工作流路由、审核闸门、校验层以及代理工具选择。
- 在同一输入状态上并行评估多个决策问题，提高生产系统编排效率。
- 通过构造方式保证架构安全的输出，避免文本生成模型常见的结构化响应畸形问题。
局限性
- 无法生成文本、代码、解释、摘要或理由，因此不适合开放式语言任务。
- 当答案空间是预先定义好的时效果最好；对于需要自由格式回答、精确算术或详细可审计推理的任务并不匹配。
Jev-1.13 API 性能
优势
- Jev-1.13 API 针对快速结构化决策进行了优化：官方延迟声称在 70 到 500 ms 范围，并且其设计避免了逐 token 生成带来的开销。
- 其输出由类型安全机制构造而成，消除了架构/格式失败，并降低了下游软件系统的运行复杂度。
- 以概率为中心的设计提供置信度与每个选项的分布，使阈值判定、兜底逻辑与人工复核路由更容易实现。
- Jev-1.13 API 适用于大规模的 map-reduce 风格分类与打分任务：在这些场景中，可重复的结构化输出往往比文风质量更重要。
实际效果
从实际效果来看，当业务流程已经存在清晰的决策边界，并且需要将语义判断插入到确定性工作流中时，Jev-1.13 最为有效。该模型在路由、排序、审核、异常筛查与代理闸门等方面尤其强大：在这些场景里，速度与类型化输出比解释更重要。供应商所报告的基准测试声称，相比某些前沿 LLM 基线在速度与成本效率上有显著提升，但这些比例高度依赖对比设置。因此仍需独立谨慎：类型安全并不等同于正确性，且在全面部署前应在领域特定的评估集上验证校准质量。
Jev-1.13 API 适用场景
应用场景
- 你有一个高频的客户支持流程，入站工单需要在严格的响应窗口内按部门和紧急程度进行路由。Jev-1.13 API 很适合，因为答案空间事先就已知，且业务需要的是结构化输出、概率与置信度，而不是生成文本。它可以对目标团队进行分类、在有序刻度上分配严重性，并在置信度较低时触发人工升级。这提升了自动化可靠性，减少了处理延迟，并简化了与工单系统的集成。
- 你有一个 AI 代理或工作流引擎，需要反复选择下一个工具、验证某一步是否安全，或判断是否需要更多上下文。Jev-1.13 API 非常理想，因为它支持快速、类型化的闸门决策，而不是会返回冗长的模型响应（后者需要解析）。单一共享状态可以驱动多项并行检查，例如工具选择、风险筛查与完成就绪度判断。这样可降低编排复杂度，改善延迟，并让代理行为在生产环境中更可预测。
- 你拥有大量文档、日志或交易记录，在下游处理之前需要一致的分类、打分或二元复核信号。Jev-1.13 API 适合该场景，因为它专为对非结构化输入进行可重复的结构化判断而构建，尤其适用于 map-reduce 风格工作负载。团队可以对发票异常进行打分、标记合规政策担忧，或对问题严重性进行排序，同时保留经过校准的不确定性信号。结果是更高的吞吐、更干净的可被机器消费的输出，以及对大规模运营数据更容易实施基于阈值的自动化。
最佳实践
- 设计任务使答案空间清晰且在运营上有意义：当选项可枚举时使用 Choice；当强度/程度有序时使用 Score；进行二元检查时使用 Noul。
- 在 Jev-1.13 API 中把置信度与概率分布作为一等控制信号使用，包括：自动化阈值、回退到人工的阈值，以及对漂移的监控。
- 把算术、计数、日期逻辑与确定性转换放在模型之外、放在应用代码中；仅使用 Jev-1.13 API 做语义判断。
- 在完整上线到生产之前，使用领域特定的带标签示例对 Jev-1.13 API 进行基准评测，以验证校准效果、类别定义与升级规则。