簡介
Jev 是 TypeSafe 的旗艦模型，也是首個 System One 模型。傳送狀態和型別化問題，拿回程式碼可直接使用的結構化答案。
大語言模型（LLM）的設計目的是生成供人類閱讀的文本。當你需要模型做出一個供程式碼消費的判斷時，就產生了錯位：你在強迫一個文本生成系統輸出結構化決策，然後再把結果解析回程式碼可以依賴的形式。
Jev 是 TypeSafe 的旗艦模型，也是首個 System One 模型。System One 模型專為做出軟體可直接使用的快速結構化決策而構建。Jev 針對狀態評估型別化問題，並直接返回結構化結果。沒有文本生成，也無需解析。你得到的是型別化的值和機率分佈，程式碼可以據此進行分支、排序和路由。Choice 和 Score 還會返回置信度，你的程式碼可以用它來決定是否行動以及如何行動。
%%{init: {"fontFamily": "Inter, sans-serif", "flowchart": {"rankSpacing": 35, "wrappingWidth": 300, "subGraphTitleMargin": {"top": 12, "bottom": 12}}}}%%
flowchart LR
input["state + questions"]
subgraph model["TypeSafe AI model"]
evaluate["evaluate each question<br/>against the state<br/>in parallel"]
end
input -- "one request" --> model
model -- "one response" --> answers["typed answers<br/>+ probabilities<br/>+ confidence<br/>(Choice and Score)"]
answers --> code["<b>your code</b><br/>branch, sort, and route"]TypeSafe 原語
TypeSafe 提供三種 AI 原語。與軟體原語類似，我們的 AI 原語模組化、可組合、結構化、可靠且快速。每種原語詢問不同型別的問題，並返回不同型別的答案。
| 問題型別 | 目標 | 返回 |
|---|---|---|
| Choice | 從列表中選擇一個選項 | choice, probabilities, confidence |
| Score | 按量規為狀態打分 | score, probabilities, confidence |
| Noul | 這句話是真的嗎？ | noul (0–1) |
三種問題型別可以在一次 API 呼叫中混用。每個問題都在一次請求中針對同一個狀態並行且相互獨立地評估。增加問題幾乎不會改變響應時間。每個問題都是獨立評估的，因此增加更多問題不會造成上下文腐化（context-rot）。
原子問題，在程式碼中組合
當每個問題只詢問一件具體、邊界清晰的事情時，System One 模型工作得最好。把每個問題看作一次直覺判斷：即一個學識淵博的人在給定恰當上下文時，幾秒鐘內就能做出的那種判斷。
如果你想問的問題需要長時間推理，或同時衡量多個獨立因素，就把它分解。將每個因素作為單獨的問題來問，然後在程式碼中用邏輯組合結果。這樣既能保證每次單獨評估的可靠性，也讓你完全掌控各維度的權重。
例如，不要問“給這個創業路演打分”，而是分別詢問市場規模、技術可行性和差異化。用你自己的公式組合這些分數。當優先順序變化時，只需修改程式碼中的一個係數，而無需重寫提示詞。