TypeSafe AI 宣布 Jev 全面开放，取消候补名单
相关推荐
Jev彻底开放：候补名单取消，所有人现在都能直接用
动察 Beating AI 快讯，TypeSafe AI 宣布 Jev 正式向所有人开放，取消候补名单。用户现在可以直接进入官方 Console 注册并使用，不需要再申请 Early Access。 Jev 不负责聊天或写代码，只做分类、打分和判断。开发者提前给出候选项，它直接返回选择、概率和置信度，让程序拿结果继续执行。目前官方价格仍是每百万输入 Token 0.042 美元，输出免费。 开放前，Jev 已经在第三方平台快速扩散。Vercel 称，它接入 AI Gateway 后 24 小时内被近 13% 的付费团队使用，成为 AI Gateway 历史采用速度最快的新模型，采用率超过同期 GPT-5.6 系列的 2 倍。
开源模型大翻盘：Vercel Token份额两个月从28%增至62%
动察 Beating AI 快讯，Vercel CEO Guillermo Rauch 公布，8 月 22 日，开源模型已占 AI Gateway Token 流量的 62%。6 月 24 日还只有 28.4%，两个月多了一倍多；闭源模型同期从 71.6% 降到 38%。 Vercel AI Gateway 统计的是自家平台上的实际模型调用量，不能代表整个 AI 市场。 与此同时，Vercel 上的 AI 用量也在暴涨。7 月 Token 总量环比增长 59%，开源模型占比已超过三分之一。DeepSeek 还超过 Google，成为 Token 消耗量第二大的模型厂商。 OpenAI 和 Anthropic 的合计 Token 量同样在加速增长。 但钱还是被闭源模型赚走了。7 月开放权重模型占约 36% Token，却只占 8.6% 的支出；Anthropic 用约 30% Token，拿走了 65.1% 的支出。 未来闭源前沿模型可能只占 15% 到 25% Token，却拿走 60% 到 90% 的经济价值。
下一代App可能没有固定界面，Jev让App界面实时重组
动察 Beating AI 快讯，Vercel Labs 工程师 Chris Tate 给 json-render 接入 Jev，开始试验让 AI 在运行时直接组合 UI。 json-render 会提前准备好按钮、卡片、输入框、数据和动作。Jev 不需要像大模型一样逐 Token 写完整 JSON，只负责决定用哪些组件、怎么排序、放在哪里，再交给正常的 UI 渲染器。新界面默认一次判断选出主要组件，需要时再用第二次判断安排布局。 在同一个火车票界面生成演示中，默认 JSONL 模式从请求到完成用了 3.21 秒，Jev 只用了 0.88 秒。 未来 App 的界面可能根本不用完全写死。UI 可以变成运行时决策，同一个 App 面对不同用户、任务和状态，临时拼出不同的页面。Jev 这次演示已经把完整生成时间压到 1 秒以内，至少让这种交互开始有了实时感。 Runway 上月底发布的 Solaris 也在赌类似方向，只是路线更激进。Solaris 用世界模型逐帧生成整个界面，直接绕过传统代码和组件；Jev 仍然使用开发者提前写好的组件和动作，只动态决定怎么组合。一个想让软件变成实时生成的视频世界，一个更像让软件拥有一张随时重组的脸。
前OpenAI研究员做了个「不会聊天」的AI：Jev只做判断，最高快200倍
动察 Beating AI 快讯，前 OpenAI 研究员 Diogo Almeida 创办的 TypeSafe AI 推出新模型 Jev。它有点像一个能读懂自然语言的超级分类器，不生成文本，只返回选项、分数和概率，专门给软件做判断。 普通大模型需要一个 token 一个 token 往外生成，Jev 则可以并行给出多个结果。TypeSafe 还用新的 RLCD 方法训练它的置信度，让模型在给出判断的同时，告诉程序自己有多大把握。 TypeSafe 用安全告警、Agent 审查、发票处理和客服做了 4 组自动化工作流测试。在这套自建评测里，Jev 最高比 Claude Sonnet 5 快约 193.6 倍，比 Claude Opus 5 便宜约 444.6 倍。 TypeSafe 把 Jev 称为首款「System One Model」（快速决策模型），名字来自卡尼曼《思考，快与慢》里的 System 1。它专门处理分类、打分、路由和下一步决策这类快速判断任务。
Jev到底有没有门槛？OpenJEV已经分成4派：不吐字容易，概率靠谱很难
动察 Beating AI 快讯，Jev 发布还不到一周，开源社区已经开始复刻这种「不写答案、直接给概率」的模型。 它们都想做同一件事：省掉逐 token 生成，直接给出选项和概率。但具体怎么做，已经分成了几条完全不同的路线。 1. SemIf 最简单，连模型都不用重新训练。它直接拿现成的 Qwen，在模型准备回答 A、B、C 时截住，不让它继续往下写，直接读取每个选项的分数，再换成概率。 2. Simple Jev 也用现成大模型，但进一步省掉重复计算。同一段材料只读一次，后面的多个问题共用这部分结果，再分别判断答案。作者也明确说，它复刻的是 Jev 的使用方式，准确率、速度和概率校准都没有做到等价。 3. Laya 干脆不用会生成文字的大模型，换成更像传统分类器的编码模型。好处是小而快，短板也很明显。一次从 77 个选项里做选择时，Laya 准确率只有 42.5%，Jev 是 87.0%。 4. Von 走的也是专用决策模型路线。它只有约 4 亿参数，不生成文字，一次前向直接完成 Choice、Noul 和 Score，更像一个能读自然语言的新一代分类器。 5. Verdict 更小，只有约 1.5 亿参数。作者重点处理了两个问题：答错了还报很高的置信度，以及把选项顺序换一下，结果就跟着变。它更在意如何让概率和判断都稳定下来。 6. Kev 选择保留大模型。它拿 Qwen 做底座，再加专门的决策结构，让同一份输入只读一次，多个问题各自算概率。第三方此前逆向 Jev 时，也推测它可能用了类似设计。 Kev 自测中，拿训练时没见过的新题测试，8B 版准确率约 78%，Jev 约 86%。更明显的差距在置信度，Kev 还有一些答错的题会给出 90% 以上把握。 7. Nimble 重点放在训练上。它用 Qwen3.5-9B，再准备一批「只改一个事实，正确答案就翻转」的数据做后训练。在 324 个没参与训练的测试样本里，Nimble 有 90.1% 选中了参考答案，Jev 是 93.2%。不过作者也提醒，目前还不能保证模型「报 90% 就真的有 90% 正确」。 8. OpenJev 走得最远，直接换成 DiffusionGemma。它先把几个答案位置留空，再像扩散模型补图一样一次填出来。在 RTX PRO 6000 上，单请求中位延迟约 94ms。 几天下来，OpenJEV 已经分成四路：直接读取现成模型的答案分
「不会聊天」的AI可以怎么玩？开发者用Jev接管Agent快速决策
动察 Beating AI 快讯，前 OpenAI 研究员 Diogo Almeida 创办的 TypeSafe 昨天刚发布新模型 Jev。它不生成文本，只返回选项、分数和概率。社区很快出现一批开源项目，开始把 Jev 塞进 Agent 和软件流程里。 Browser Use 做的 jev-ultrafast 最直观。浏览器每走一步，Jev 都会从当前页面里判断「下一步做什么、操作哪个元素」，只有需要填写文字时才调用一个小型语言模型。团队用它在 Google Flights 搜索苏黎世到伦敦的航班，一次完整运行只用了 7.1 秒。 Jev Codex Router 让 Jev 先判断每轮编程任务的难度，再决定交给不同档位的模型；jev-mcp 则把它做成 Agent 的事实核验、Prompt Injection 检测和语义排序工具。 这些项目有个很明显的共同点：没人拿 Jev 当聊天机器人，而是把它塞进软件和 Agent 的执行链里，专门负责那些高频、有限选项的判断。