# TypeSafe 发布 Jev：一个只做判断、分类、路由和打分的“系统一”模型，比小号前沿大模型快 100 倍、便宜 200 倍

> 原标题：[AINews] Jev: a “System One Model” that only decides/classifies/routes/scores — >100x faster, >200x cheaper than small frontier LLMs

- 来源：Latent Space
- 发布时间：2026-09-16T11:09:53.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/57882
- 原文：https://www.latent.space/p/ainews-jev-a-system-one-model-that

## 摘要

TypeSafe 推出了 Jev，一个砍掉聊天、写代码和推理能力，只专注分类、路由和打分的模型。它用 RLCD（一种让模型学会做校准决策的训练方法）训练，主打并行采样、不胡说八道和输出可校准。团队声称它比小号前沿大模型快 100 倍以上，成本低 200 倍以上。不过正文没披露具体的延迟数据、单次调用价格和参数量。在评测和定价页面补全细节之前，速度和成本...

## 推荐理由

反直觉的定位和具体的训练方法让这条值得上推荐，但关键数字全缺，我会先打个折。等评测和定价页面补上再重新评估。

## 锐评

Jev 的思路很明确：不跟大模型比全能，只当流水线上的决策工兵。团队用 RLCD 训练，让模型输出可校准的概率，而不是编答案，这确实能解决分类任务里“胡说八道”和置信度虚高的问题。宣称的 100 倍速度、200 倍成本优势听起来诱人，但文章没披露具体延迟毫秒数、单次调用价格和参数量级，也没给出跟 GPT-4o-mini 或 Gemini Flash 这类小模型在相同硬件上的对照数据。目前看到的更多是方向性判断，不是可复现的基准。另外，模型只做决策意味着它高度依赖上游任务定义和下游执行器，实际落地时工程集成成本可能不低。等 evals 和定价页面补全细节，再看看它是不是真能把“系统一”模型做成一个稳定省钱的组件。