Jev 与 System One 模型：把”快决策”从大模型里拆出来

2026 年 9 月 15 日，由前 OpenAI 研究员 Diogo Almeida 创立的 TypeSafe AI 发布了首个 System One 模型 Jev，并开放早期试用。这不是又一个”更大的聊天模型”，而是一种刻意做减法的模型类别：它不生成字符串，输入非结构化状态，直接输出带校准置信度的、类型确定的结构化决策。本文基于 TypeSafe 官方公告与公开评测数据，对这一思路做一次严谨拆解。

一、出发点：聊天很”超人”，自动化在哪

Diogo Almeida 在 OpenAI 期间参与了让语言模型学会遵循指令、与人对话的核心方法研究，相关工作正是 ChatGPT 背后的技术之一。但他提出了一个尖锐的问题：模型在聊天上”超人”已经很多年，为什么真正的自动化没有随之到来？

他的判断是：通用聊天模型用”逐 token 自回归生成字符串”这一接口去承担一切任务，而字符串既灵活又不可靠——可以是聊天、代码，也可以是幻觉。对需要延迟保证、能被软件直接调用的自动化系统而言，一个幻觉出来的工具调用，在 Agent 里只是不方便，但如果它埋在依赖链深处、或处在有 SLA 的关键路径上，就是不可接受的。

System One 模型由此而来：它把大模型里那些”本不需要长篇推理”的快判断——分类、路由、打分、校验——单独拆出来，做成一个软件可以直接依赖的接口。

二、命名与定位：借喻”快慢思考”

两个名字都有出处：

• System One（系统一） 借自 Daniel Kahneman《思考，快与慢》：系统一是快速、直觉式的反应，系统二是缓慢、审慎的推理。TypeSafe 认为，系统一虽然常被认为”容易出错”，但可以通过专门设计使其比通用模型更可靠；
• Jev 命名自经济学家 William Stanley Jevons（杰文斯悖论）：当蒸汽机效率提升反而推高煤炭消耗时，成本下降会解锁数量级更多的用途。TypeSafe 预期”智能成本每下降一个数量级，就会解锁一个数量级的新场景”。

从工程语义上，Jev 被描述为”一个前沿智能水准的函数调用”：非结构化状态进，带概率的类型化决策出。它牺牲了字符串生成能力，换来的是 schema 强约束、并行采样与数量级的效率。

三、技术栈：并行采样 + RLCD 训练

Jev 不是”一个小一号的 LLM”，而是围绕自动化重建的一整套栈：

• 新模型架构：面向结构化程序状态优化，而非面向多轮对话；
• 并行采样器：与逐 token 生成不同，Jev 一次性并行输出所有候选答案的概率，跳过了自回归的串行开销；
• RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）：这是它区别于 RLHF（按人类偏好优化写得好不好）和 RLVR（按可验证奖励优化）的关键——优化目标是”在系统一任务上，给出认识论上诚实的概率”。

因为输出被 schema 限定在预设类型内，“类型错误”在数学上不可能发生；官方给出的结构化输出错误率为 0%。需要强调的是：这个 0% 是类型系统保证的结果，而不是在大规模真实数据上统计出来的——它意味着”不会输出一个不符合 schema 的东西”，并不等于”每次都选对选项”。

四、性能：速度、成本与错误率

官方公布的关键数据如下（均来自其早期服务，部署于美国西海岸）：

在官方的”4 个工作流平均准确率 vs 成本”图中，Jev（粉色菱形）落在横轴最左侧——成本比主流闭源模型低约两个数量级，而准确率（与最强外部模型的参考概率对齐）仍处于同区间；在结构化输出错误率上，Jev 为 0%，而对比模型最高达到 45.5%；在工具调用错误率上，Jev 同样为 0%，对比模型最高约 17%。

五、评测方法：用”最强模型”当裁判

值得专门指出它的评测设计。TypeSafe 没有用”给定标准答案做分类”这类容易被过拟合的基准，而是构造了带正确计算图（工作流）的评测：假设存在一段以代码表示的正确工作流，然后让最大、最贵的外部模型（其点名 Astra、Fable）在同一工作流上的预测概率作为参考答案，再比较各模型与这组参考的接近程度。

这一方法的好处是贴近真实生产负载：真实可靠的工作流往往由大量相互独立、可分解的小判断组成，最终才是离散分支。但它也有内在偏向——“接近最强模型的平均水平”并不等于”正确”，只是”接近强者”。官方自己也承认，对比用的 LLM 数据取自 OpenRouter，复杂请求可能被路由到更好的模型，存在偏差。

六、适合做什么、不适合做什么

适合的场景：

• 路由、分类、打分、审核、护栏、越狱检测——Agent 工作流里最贵最慢却本不需要长推理的判断环节；
• 实时应用：百毫秒级时延意味着可以放进对体验敏感的前端链路；
• 大规模 map-reduce：把海量数据压缩成特征与决策；
• 高基数选择：官方演示了实时玩《Doom》（约每秒 10 次查询，成本约 $7/小时）和 Wikiracing（在数百上千个维基链接中选路）。

不适合： 需要自由文本生成、长链路推理、开放式创作的任务——这些仍是通用大模型（系统二）的领地。

七、客观分析：优势与边界

优势：

1. 接口正确：用类型化、带置信度的输出替代不可控字符串，正好击中 Agent 工程化最痛的”可靠性”问题；
2. 效率/成本数量级领先：在快判断场景上把单次成本压到主流模型的约 1/100，使高频调用在经济上成立；
3. 评测贴近工程现实：以工作流计算图而非静态题库来衡量，更接近真实自动化负载。

边界与存疑：

1. 闭源且早期：仅早期访问、权重不开放，性能数据目前基本是一家之言；
2. 0% 错误率的口径：是 schema 保证而非经验统计，“不选对”仍会发生，置信度是否真的校准需要第三方独立验证；
3. 对比存在自利偏差：LLM 侧数据来自 OpenRouter，工作流评测以自家钦定的”最强模型”为参考，环境（西海岸时延）也利好自家；
4. 定价可持续性未知：官方坦言无法证明当前价格没有补贴，长期能否维持要时间检验。

八、它意味着什么

Jev 的真正价值不在于”又一个模型”，而在于提出了一个被忽视的分工：系统一的快判断与系统二的慢推理，本就该是两种接口、两种成本结构。当 Agent 工作流里充斥着大量”这个工单要不要升级""这条消息是不是恶意”这类小决策时，用旗舰聊天模型逐 token 去做，既慢又贵还会幻觉。把这一层抽成一个便宜、快、类型安全的”决策函数”，是把 Agent 从”demo”推向”可托付生产系统”的关键一步。

对工程团队而言，现在更现实的姿态是：关注它能否在自己的路由/审核/打分场景上复现官方数据，并把它当作通用模型的互补层而非替代品——慢推理仍交给系统二，快判断交给系统一。

参考来源

• TypeSafe AI 官方博客：Introducing System One Models & Jev
• Koala 聊开源 科技周报：Jev｜面向自动化的决策模型
• B 站视频：科技周报｜面向自动化的决策模型；命令行邮件客户端；联邦 OIDC 身份认证（合集 6725872）