大模型負責寫，Jev 只負責判
客人傳來一句「我聯絡你們三次了，到現在還在等」，你真正想知道的只有一件事，他是不是在不爽。
JEV 101
一次看懂 TypeSafe 的判斷模型
大模型負責**寫**， Jev 只負責**判**
ChatGPT、Claude 這些大模型，擅長的是把答案一個字一個字寫出來。
TypeSafe 在 9 月發表的 Jev 走另一條路。它不生成任何回覆，只針對你問的問題回傳機率，專門處理企業流程裡大量又細碎的判斷。
先看一個場景
你其實只想知道一件事
客人說「我聯絡你們三次了， 到現在還在等」
這時候你真正要的答案很短，就是這位客人是不是在不爽，好決定要不要先把他排到前面。
交給一般大模型，它會先寫出「您好，很抱歉讓您久等了」一整段回覆。字寫得越多，等待越久，帳單也越貴。
Jev 不寫字，把可能的答案攤開，每個答案的機率一次平行算完。
它要吃什麼
一個請求只要給兩樣東西
- State 狀態
- 要判斷的資料本身，純文字、JSON 物件或陣列都可以，例如那則客人訊息
- Questions 問題
- 你想問的題目，寫明題型，需要時再附選項或刻度。同一則訊息可以一次掛好幾題
- 回傳
- 每題用你取的名字對應回來，程式直接接著用，下一步怎麼做由你的程式決定
三種題型
是非、選擇、打分，看你要什麼答案
- 是非 Noul
- 問「這位客人聽起來不爽嗎」，回傳答「是」的機率。0.95 代表有 95% 偏向是（官方簡報範例值），接近 0 就是偏向否
- 選擇 Choice
- 從你給的選項裡挑，例如催進度、要退款、要換貨、其他。回傳選中的那個，附上每個選項的機率
- 打分 Score
- 問「有多不爽」，0 沒不滿、1 不滿意、2 很火大。分數是各級機率的加權平均，可以落在 1.5 這種兩級之間（官方簡報範例值）
該信多少
官方簡報自己先講了這句
格式正確的答案， **還是可能錯**
選擇題和打分題會附一個把握度，依機率分布得多集中算出來。把握度高過你設的門檻，程式自動處理；低於門檻，轉給真人看。
官方也提醒，把握度不等於準確率，門檻要先拿自己的資料測過再定。是非題沒有另外的把握度，直接看機率離 0.5 有多遠。
帶走這句
把 agent 每一步的小判斷，交給**便宜的直覺**。
你的 agent 或客服流程裡，每天有成千上萬個小決定，要不要轉真人、這筆算哪一類、這封信危不危險。
這些判斷不需要文筆，需要的是快和便宜。大模型留給真的要寫的地方，判斷交給 Jev 這類模型，再用門檻和真人把關。
出處
運作方式出自官方簡報
本篇非業配，ai4biz 與 TypeSafe 沒有合作關係。成本 1.4 美分對不到 0.01 美分是 TypeSafe 自舉示例。
題型、輸入輸出、把握度
TypeSafe AI 官方 Discord 簡報〈How is Jev different from other LLMs?〉· 2026/9/23
產品發表
TypeSafe AI 官方部落格〈Introducing System One Models & Jev〉· 2026/9/15
第三方測試
anisselbd/jev-phishing-bench（2,000 封釣魚信）· 2026/9/17；拆解見本頻道 Jev 圖卡〈一個不會講話的 AI〉