
![](https://developer.qcloudimg.com/http-save/yehe-6490225/8a5c429ac2be629677bba956cc536785.png)

最近一周，一个叫 Jev 的模型突然火了。玩游戏、订机票、分邮件，连 GitHub 上一个自己逛网页的开源项目，都说自己是 Jev 驱动的。

怎么火成这样，问题跟着就来了。它到底是个什么东西？和我们天天在用的 GPT、Claude、豆包、DeepSeek 这些大模型有什么区别？普通人又能在哪里用上它？

这篇文章就来把这几件事一次性讲清楚。

考虑到我的读者大多是做软件测试开发的，所以文中还单独准备了一节，讲讲它对测试工作的价值，哪些环节用得上。

## 先看看Jev 到底是什么？

先说结论，**Jev 它也是一个模型**。 

9月16号，由前 OpenAI 研究员 Diogo Almeida 创办的 TypeSafe AI 发布，需要说明一下，这哥们参与过 InstructGPT 和 RLHF，也是 ChatGPT 早期技术的核心成员之一。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/d8ba3ce9d2f278318ed7981188df4ced.png)

官方定位是 **System One Model**（系统一模型），名字来自卡尼曼的《思考，快与慢》。

人脑会有两套系统：
- 系统一负责快判断，看到红灯知道踩刹车，扫一眼消息知道是广告。
- 系统二负责慢推理，写文章、做数学题、做复杂决策。

Jev 想做的，就是实现软件里的系统一。

## Jev和传统大模型有什么区别？

我们平时使用 GPT、Claude、DeepSeek、豆包这类传统大模型，都是属于文本生成式大模型，你给它一个问题，它会一个词一个词往外蹦，回你一段话。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/3738e7c186e15835a822d65a6ad9b4cd.png)

这种机制适合**创作、推理、写代码**，但遇到选择题或判断题时，比如判断一个工单该分给哪个部门，它不会直接告诉你选择「A部门」或者「B部门」，而是先给你写一大段分析，然后才给出结论。这样模式有点太笨重了，不仅速度慢、而且还烧 Tokens。更重要的是，还需要你自己从一大段回答里把真正你需要的答案抠出来。

而 Jev 走的是另一个路子，从用途来讲，它是一个轻量的分类模型，或者更准确一点来说，**它是一款专门用于做“判断、选择、打分”的轻量模型**。


目前，Jev主要提供了三种类型的问题：

- **Noul：是非判断**。比如，这条请求需要转人工吗？给一段状态和一个问题，它会返回 0 到 1 之间的概率。
- **Choice：选择题**。一个选项、各选项的概率，以及 confidence，最多 255 个选项。
- **Score：打分题**。按定义的等级评分，评分等级自己定，2 到 10 级都行，返回分数和概率分布以及 confidence。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/34f786a65d8699da95710bdb04ced317.png)

Jev 的调用方式非常简单，你给它两样东西：
- 一个是 **state 状态**，就是你想让它分析的上下文信息；
- 另一个是 **questions 问题**，就是你想让它回答的问题，一次可以带多个问题。

然后它就直接返回结构化的答案，概率和置信度都附在上面。

Jev 返回的结果大致长这样：
```bash
{  
  "is_urgent": {  
    "type": "noul",  
    "noul": 0.8  
  }  
}
```

它不会像传统大模型，每个问题不管是难的，还是简单的，都先bilibili给你分析一大通，最后才姗姗来迟给出答案。

Jev 每次调用，你只需要给它一段上下文和一组明确的选项，它会直接输出每个选项的概率分布，并选出置信度最高的一个。延迟在几十毫秒到几百毫秒之间，且成本只有主流大模型的几十分之一。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/7f7c04b9133a9c443ca69e1b17f487ad.png)

根据 TypeSafe 官方（`https://typesafe.ai/`）自测的数据，两者的差距还是挺夸张的：

| 对比维度     | 传统 LLM              | Jev               |
| -------- | ------------------- | ----------------- |
| **输出方式** | 生成文字，需要解析           | 直接返回结构化决策结果       |
| **响应速度** | 3– 329 秒            | 70 – 500 毫秒       |
| **输入价格** | $0.20–10 / 百万 token | $0.042 / 百万 token |
| **输出价格** | 约为输入价的 5 倍          | **免费**            |

![](https://developer.qcloudimg.com/http-save/yehe-6490225/edadde70d330e035d95321e6706a4070.png)


## 为什么Jev能突然爆火？

它为什么出来不到一周，就爆火了？说实话，不是因为它强，是它戳中了当下 AI 的两个痛点，**token 费用太贵**，**AI 响应太慢**。

这种憋屈的日子，在行业中压抑了快两年。

比如说，拿传统大模型做个智能分类路由，烧了几百上千 token 就为了拿回两三个 JSON 字段，这就等于拿大炮打蚊子，**浪费**。


而Jev 输入每百万 token 0.042 美元，比主流大模型平均便宜二十多倍，且输出环节还是免费的，返回速度几乎是毫秒级，我就问你，这价格，这速度香不香吧。

但可能有人会说：AI 大模型的目标不是能像人一样，能「**跟人聊天**」和「**帮人干活**」 的吗。

Jev一个不会说人话的 AI，能有什么用呢？该不会又是噱头和炒冷饭吧？

热度归热度，但落到实际项目里，我认为Jev它在一些细分场景下确实还是有用的。

**客服工单是最典型的一个**。

比如，智能分单，进行部门归属、紧急程度判定，是否需转人工，若是交给传统大模型（GPT、Claude）费钱不说，你还得慢悠悠乖乖等它给你写完小作文。但若交给Jev三个问题一次请求用Jev可以并行问完，几百毫秒后全部搞定。


**另外，它还能反过来伺候大模型，给大模型当一道闸**。

请求进来先过它，判断这是重活还是轻活，该派给旗舰模型还是便宜模型，内容有没有踩线要拦下来。选模型这件事，多数团队靠经验拍脑袋，缺的是一个便宜到能每条请求都问一遍的判断器。

而Jev恰恰就是这个又快，又便宜的AI判断器。


但话说回来，Jev确实是个好东西，但它的好，并不在于技术有多大的突破。

有工程师拿它和 DeepSeek Flash 做过同场对比，分类准确率基本持平。J**ev 真正出圈的关键是速度、成本而不是智能**。

## 它适合做什么，不能做什么

它的适用边界其实很清楚，就是企业系统里那些高频的判断，路由，分类，分级，放行等场景。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/c0e03bc7b9aa5a0b6cb8526c92be7360.png)


比如：
- **内容审核**。评论区每条发言过一遍，是广告吗，有辱骂吗，放不放行，置信度不够的自动进人工队列。日活几十万的社区，这个量靠审核硬看永远看不完，关键词规则又天天被变着法绕过。
- **电商退款分拣**。申请进来先分类，质量问题、物流破损、七天无理由、疑似羊毛党，不同类别走不同流程，疑似羊毛的打高风险标记转风控复核。
- **销售线索打分**。官网表单和展会名片进来的线索，按行业匹配度、预算信号、成交意向排序，销售先跟高分线索，低分的进自动培育流程。
- **运维告警分级**。监控告警先过一道判断，严重级别多高，该通知哪个值班组，要不要直接打电话叫人，值班同学能从每天几百条告警里缓一口气。

这些场景的共同点，判断对象是文本，选项事先列得清楚，量大到值得自动化，又没大到值得养一个专门的算法团队。Jev 卡的正好是这个位置，比写死规则灵活，比大模型便宜一个量级，每个判断还带置信程度，不够就转人工。


**不适合的也说清楚**。

凡是生成内容的活，写文案、写代码、总结文档，它一概做不了，继续交给通用大模型。

## 怎么使用

了解了 Jev 是什么之后，接下来看看怎么实际用上它。

目前，普通人和开发者可以通过几条不同的路线体验 Jev。

### 官方 Playground体验

Jev 现在已经正式开放注册了，直接用邮箱在 TypeSafe 官网 注册登录就行。(可以用自己的google帐号一键登录)

```
https://console.typesafe.ai/
```

![](https://developer.qcloudimg.com/http-save/yehe-6490225/28abbcac5fce628f068d5ecc8850541b.png)

注册之后，最简单的使用方式就是直接在官方 Playground 里体验。左边填写提供给 AI 的上下文和想让 AI 分析的问题，点击运行就能在右侧看到结果。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/229844ce1540a32cfeeeb725978cd994.png)


目前官方 playground是免费开放使用的。进去选问题类型，贴一段状态，概率和置信度当场返回。没写过代码的人，也能把完整流程体验一遍。


### 使用官方 API 和 SDK

如果你需要在自己的项目中调用或接入Jev，官方提供 Python 和 JavaScript 的 SDK。官方文档的 Quick Start 页面 有完整的示例代码。


![](https://developer.qcloudimg.com/http-save/yehe-6490225/09b4ab9472d14bc6e2f1d1d5114bf232.png)

以Python为例，先安装依赖包
```bash
pip install typesafe-sdk
# 或者
uv add typesafe-sdk
```

SDK调用结构大致长下面这样，包名和字段以[官方文档](https://docs.typesafe.ai/introduction/quickstart#)为准。

```python
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()

ticket = "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP."

response = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
                "sales": "Pricing or account questions",
            },
        ),
        "frustration": Score(
            instructions="How frustrated the customer appears",
            criteria=[
                "Calm, just stating facts",
                "Frustrated but civil",
                "Very angry, strong language",
            ],
        ),
        "is_urgent": Noul(
            instructions="The message conveys urgency or time-sensitivity",
        ),
    },
)

print(response.answers["department"].choice)  # "technical"
print(response.answers["frustration"].score)  # 1.0
print(response.answers["is_urgent"].noul)     # 1.0
```

也可以通过 HTTP API 直接调用。
```bash
POST https://api.typesafe.ai/v1/systemone
Authorization: Bearer <API_KEY>
Content-Type: application/json
```

不管用哪种方式，都配置配置`TYPESAFE_API_KEY`环境变量。可以到 TypeSafe 的控制台 中创建 API Key。（API KEY创建好之后，复制单独保存下来）

![](https://developer.qcloudimg.com/http-save/yehe-6490225/a33d212d961540ebba76fddce435cf56.png)


### AI编程工具安装SKILL


第三条路是接进 AI 编程工具。官方开源的技能包，仓库 `typesafe-ai/skills`，照 README 装进 Claude Code，会多出一个 /typesafe-ai 命令，配上 `TYPESAFE_API_KEY` 环境变量，就能在任务里让它做判断。

Claude Code中技能安装方式：

```bash
claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai
```

或者Agent安装方式：

```bash
npx skills add typesafe-ai/skills --skill typesafe-ai
```

也可以直接将下述提示词复制到任意Agent，让其自动帮你安装
```bash
Install the TypeSafe skill. If you're in Claude Code, run `claude plugin marketplace add typesafe-ai/skills`, then `claude plugin install typesafe@typesafe-ai`. If you're in another agent, run `npx skills add typesafe-ai/skills --skill typesafe-ai` and select your agent. Use one installation method. You can read the skill directly at https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md (raw: https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md). Then use the TypeSafe skill when working on this project.
```

安装完成后，输入`/typesafe-ai` 命令
![](https://developer.qcloudimg.com/http-save/yehe-6490225/41b895036650f3e5c86c4f3288f6699f.png)

### 第三方平台集成

除了上述的几种方法外，目前许多第三方平台比如 `OpenRouter`、`Vercel AI Gateway`、`Cloudflare Workers AI` 都有集成。

比如，在 OpenRouter 里面搜索 Jev 相关模型。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/3952b0db4467d60d9e9a65446c8280bb.png)



## Jev 能给测试工作带来什么帮助?

这两年新模型新工具出得太快，隔三差五就有新面孔。大家看到这些变化先别急着兴奋，也别光只看个热闹，先问一句，这东西能不能接到我手头的活上，能替掉解决哪一环。

落到测试这行，能接的位置还真不少。测试工作中很多环节都强依赖人工判断，比如，用例要不要进冒烟，这次失败是环境抖动还是真缺陷，半夜流水线崩了要不要叫人。这些活以前要么靠人眼，要么接传统大模型硬顶，而现在多了个更优的选择。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/68b87aba24bcbf24f82f27f391bcc338.png)


拿线上 bug 定级举个例子。一条线上反馈进来，把反馈原文、复现信息、影响面拼成 state 传给 Jev，配上两个问题，一个定级选择题，一个主链路判断题。

```json
{
  "state": "线上反馈：支付成功后订单状态未更新，安卓端概率性复现，近 2 小时收到 37 起用户投诉，涉及下单主流程。",
  "questions": {
    "severity": {
      "type": "choice",
      "instructions": "按公司事故定级标准，判断这个缺陷的严重级别",
      "criteria": {
        "P0": "核心功能不可用或造成资损，需立即拉群响应",
        "P1": "核心功能受损，有绕过方案，需当天修复",
        "P2": "次要功能异常，影响部分用户体验",
        "P3": "文案样式问题，不阻断使用"
      }
    },
    "is_core_flow": {
      "type": "noul",
      "instructions": "该缺陷是否发生在交易主链路上"
    }
  }
}
```

Jev 返回的结果长这样（字段以官方文档为准）。

```json
{
  "severity": {
    "type": "choice",
    "choice": "P1",
    "probabilities": { "P0": 0.22, "P1": 0.71, "P2": 0.06, "P3": 0.01 },
    "confidence": 0.83
  },
  "is_core_flow": {
    "type": "noul",
    "noul": 0.97
  }
}
```

P1 拿了 0.71 的概率，置信度 0.83，主链路的把握是 0.97。代码里写一句 `if severity.confidence > 0.8` 就能自动定级挂标签，置信度不够的转人工复核。半夜来的反馈，几百毫秒就有初判，值班同学拿到手的就不再是一条裸信息。

- **回归用例分级**。几千条积压用例，哪条进冒烟集，哪条降成每周跑，把用例描述、所属模块、近半年失败记录拼成状态，一条 Choice 问题全库过一遍。按社区实测的量级，千条输入 15 秒跑完。(我自己的实测下来，74条测试用例，通过jev判读类型、优先级、模块归类这三个任务一起并行，共花了26秒)

![](https://developer.qcloudimg.com/http-save/yehe-6490225/0c415aa2e76f00d63fa799bd39d76908.png)

- **flaky 判定**。用例失败，重跑又过了，把失败日志和重跑结果丢给它，一个 Noul 问题问是不是环境问题，答案带置信度。够就自动标记 flaky，不够的进人工队列，你只看它挑不准的那一小撮。
- **AI 评测当裁判**。测大模型应用的同学都懂，评测集几千条，全拿 GPT 当裁判，账单看着肉疼。让 Jev 先判一遍，低置信度的再交大模型精判，成本降一截，且有双盲实验验证过，跳过低置信度的版本反而更准。
- **失败截图初筛**。UI 自动化一晚上几百张失败截图，是页面没加载完，还是元素真没了，让它先过一遍，人只看它拿不准的。


还有个顺手的用法，缺陷单进来先让它判该派给哪个模块，比关键字匹配靠谱，比人工分单快。

落地建议就一条。**别上来就动生产流程，先挑手头积压最多、又有人工结论可对照的数据，把历史记录喂给它跑一遍，看判得准不准，准了再谈接入**。它的调用便宜到试错几乎没有成本，这一点对测试团队格外友好。

## 写在最后

最后聊聊我自己的看法。

网上吹它的和骂它的都不少。骂得最狠的那位工程师做过两个实验，拿 Qwen 两个小时复刻了一个同款，又找来一个 400M 参数的开源模型 laya，效果都和 Jev 差不多。他的结论说得很难听，Jev 就是一片止痛药，只治贵和慢，治不了笨。

这话说得难听，但我大体同意。你真把它当聪明模型用，会失望，它本来也没打算聪明。它更像一颗螺丝钉，拧在大模型旁边，专干那些不值得惊动大模型的小判断。往后一个 Agent 大概会是这样，重活交给 GPT、Claude 慢慢想，小判断丢给 Jev 秒回，能写死的逻辑交给普通代码，实在拿不准的留给人。

至于它能不能长久，别看官方发布会，看两样东西就够了。**一是校准**，说九成把握是不是真有九成，要在自己数据上验过的才知道。**二是习惯**，等几千个 Agent 的判断位都用上它，想换走也没那么容易。这两样它现在都还没坐实，所以我的态度很简单，先用起来，别急着站队。


好了，关于 Jev 是什么、可以在哪里使用，以及它是如何在一些场景里面发挥作用的，今天就给大家介绍到这里了。

正在读这篇文章的朋友，你还发现过哪些 Jev 的使用案例？如果你也在使用类似的工具，欢迎在评论区聊聊。

最近一周，一个叫 Jev 的模型突然火了。玩游戏、订机票、分邮件，连 GitHub 上一个自己逛网页的开源项目，都说自己是 Jev 驱动的。

最近全网爆火的 Jev 到底是什么？适合干什么、怎么用，一篇讲透！

人工智能

编程语言

开发工具

Jev是由前OpenAI研究员创办的TypeSafe AI发布的全新“系统一模型”，专注于快速判断、选择题和打分，以毫秒级响应和极低成本区别于GPT、Claude等传统大模型。它在客服工单分类、内容审核、运维告警和测试用例分级等场景中可替代大模型实现高效决策，提供结构化返回结果与置信度，官方Playground现已免费开放体验。

大模型应用

软件测试

客服工单

代码解释

羊毛党

DeepSeek

AI编程

ChatGPT

路由

GitHub

Python

Agent

JSON

RLHF

2026上云采购 | AI焕新·智启新局

cslr

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Jev是由前OpenAI研究员创办的TypeSafe AI发布的全新“系统一模型”，专注于快速判断、选择题和打分，以毫秒级响应和极低成本区别于GPT、Claude等传统大模型。它在客服工单分类、内容审核、运维告警和测试用例分级等场景中可替代大模型实现高效决策，提供结构化返回结果与置信度，官方Playground现已免费...

最近全网爆火的 Jev 到底是什么？适合干什么、怎么用，一篇讲透！-腾讯云开发者社区-腾讯云

最近全网爆火的 Jev 到底是什么？适合干什么、怎么用，一篇讲透！

最近全网爆火的 Jev 到底是什么？适合干什么、怎么用，一篇讲透！

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐