TypeSafe 发布 System One 模型与 Jev：把前沿智能变成一次函数调用

TypeSafe AI 创始人 Diogo Almeida 曾在 OpenAI 参与构建「让语言模型听懂指令、能与人对话」的方法，这批研究后来成了 ChatGPT 背后的工作。但他认为对话模型离真正的自动化仍缺一块关键拼图：模型早已在对话上超人多年，自动化却迟迟没有到来。 在隐身研发两年之后，TypeSafe AI 发布了首个 System One 模型——一类为「软件可以直接使用的快速、结构化决策」而生的一批前沿模型，并在今天开放首个公开模型 Jev 的早期访问。

官方称，Jev 在 System One 类任务上的智能水平与现有 LLM 相当，却快两个数量级、效率高两个数量级。它放弃了字符串生成，转而针对结构化输出优化，并且不可能出现类型错误（type error）、不可能幻觉。用作者的话概括：Jev 就是一次「前沿智能的函数调用」——非结构化的状态输入，带类型的概率化决策输出。「非凡的主张需要非凡的证据」，文章随后给出了详细的技术结果与自我设限说明。

新旧两种「前沿」

	现有 LLM	System One + Jev
优化方式	基于人类反馈的强化学习（RLHF）/ 可验证奖励强化学习（RLVR）	面向校准决策的强化学习（RLCD，Reinforcement Learning for Calibrated Decisions）
优化目标	人类偏好：人类评分者更喜欢的文章与对话回复；可验证奖励：能被程序自动校验的输出	校准决策：在 System One 任务上给出认识论诚实的概率
输入	非结构化数据（如文本），强调序列化消息	非结构化数据（如文本），强调结构化程序状态
输出	字符串 / 生成文本。字符串极其灵活，可以是对话、代码、幻觉、拒答，也可以是类型安全的结构化值。但软件要用它，必须先解析 + 校验，且永远存在「跑偏」的风险	类型安全的结构化值。可能的输出与结构事先定义，模型永远不会犯类型错误；所有答案都附带校准过的概率与置信度
采样方式	顺序采样，一次一个 token，每个都以前一个为条件	并行采样，一次查询生成全部输出，效率极高且硬件感知
成本	输入 token：0.20–10 美元/百万 token；输出 token 约为输入的 5 倍	输入 token：0.042 美元/百万 token（42 美元/十亿 token）；输出 token 免费（便宜到无法计量）
速度	前沿模型端到端响应时间 3–329 秒。与人交互足够快，但嵌入代码后成为巨大瓶颈	TypeSafe 端到端响应时间 70ms–500ms，对同等级前沿智能的 System One 类查询最高快 40×–200×
置信度	即便被要求给置信度，模型也往往过度自信且前后不一致。如果一个模型 95% 的时候能做对，却说不清哪 5% 做不对，这项任务就无法被自动化	每个输出都携带置信度与不确定性。校准过：置信度越高，准确率越高；更一致：相似输入返回相似答案
典型用例	人在环任务（聊天机器人、Copilot、编码智能体），通用强大但需要人监督；可验证问题（数学证明、kernel 优化）；演示 Demo	AI 驱动的工作流 / 智能 if 语句；对大数据做 map-reduce；实时应用；验证一切——打分、评判、校验、护栏、检测越狱

TypeSafe 把 System One 的定位说得更直白：结构化输出像「模糊的判定规则」一样嵌入普通软件中，去分类、路由、打分、抽取或分支，比手写逻辑更不容易脆断；而外围代码会约束模型的自由度，让它更容易被编排进可靠的系统。

证据与技术结果

文章把主张分成两类。可以轻易验证的三条：速度（官方承认评测多在西海岸的笔记本上跑，服务目前也部署在那里）、成本（价格公开透明，但补贴与否需要长期验证，官方预期价格只会下降）、类型安全（只要有一个反例就能推翻，而这在数学上不可能）。

对更大胆的主张，作者选择主动加限定条件：

并排演示（Side-by-side demonstration）

并排演示展示了 Jev 与 LLM 的关键差异：Jev 并行输出全部概率，而非逐 token 自回归生成。字符串极其强大通用，但代价昂贵；「放弃」字符串反而带来了大量超能力。作者也坦白了这场演示的偏向：查询被高度简化，questions 的键特意取成人类可读的描述性名称；state 也写得短而密，以突出采样方式的差异——「相对较短的输入让我们的模型看起来占优」。录屏中唯一与 GPT-5.6 Terra 不一致的是「流失可能性等级（Churn likelihood level）」，而作者认为这个答案本身确实存在歧义。演示选用 GPT-5.6 Terra 的默认推理档，因为它在平均智能水平上与 Jev 最可比。顺带一提：正是类似的演示说服团队「全力押注 System One 方向」。

工作流评测（Workflow evals）

TypeSafe 提出了一种新的评测方式，用来衡量 AI 在代码中工作的真实表现。它不追求某个标准答案的分类，也不允许测试框架与模型发生变化（否则可能通过「框架工程」过拟合）。取而代之的是：假定存在一张正确的计算图（一段用代码表示的「工作流」），并用最大、最聪明、最昂贵的外部模型的预测作为参考概率。换句话讲，每个模型跑同一套工作流，比较它们与「最聪明模型平均值」的差距——此处参考值是 GPT-6 Astra 与 Fable 5.1 的平均。

官方给出的结论很直白：Jev 冲出了图表，几乎独占近两个数量级的帕累托前沿。 他们也对比了「把所有逻辑都塞进思维链、自己生成提示词」的做法，结果显著更差。评测中的调用远比并排演示复杂，因为它们更能代表真正的业务自动化生产负载。下面四条工作流中最简单的一条，是安全告警的三段式处置流程：

作者强调，现实中可靠的工作流往往由大量相互独立、被拆解的问题组成，其细粒度行为依赖概率而非离散决策；最终结果仍是离散分支，但通往答案的过程需要大量高度一致的领域工程。首页上 193.6 倍更快、444.6 倍更便宜的说法就来自这里，官方认为这已属于真实世界收益的偏高档位。他们同时声明：这些工作流并非为美化模型而挑选或构造，也不在训练分布内，但作者来自模型能力团队，偏差仍可能存在；参考答案取 GPT-6 Astra 与 Fable 5.1 的平均值，会偏向 OpenAI 与 Anthropic，因此很可能低估了自家模型与 DeepSeek 模型。评测中 LLM 一侧使用官方开源的 System One LLM 包装器，把 LLM 约束成与 TypeSafe API 兼容的结构化决策——这是从 LLM 获取决策最准确的方式，但更慢也更贵。

幻觉与类型安全

幻觉与类型安全本质相关，而作者认为后者是自动化的入场门槛。在智能体里出现一次幻觉的工具调用只是不便，但如果它位于有延迟保证的系统中、或深埋于依赖链的几层之下，就是彻底的灾难。 现有模型无论多聪明，依然会幻觉、依然有类型错误。这里同样有自我设限：LLM 的数据来自 OpenRouter，很可能存在偏差（更复杂的查询可能被路由到更强的模型）；而 TypeSafe 的 0% 并非实测值，而是因为 schema 匹配被数学保证，所以可以放心地画成零。

两个有趣的 Demo

作者认为最令人兴奋的是新用例的解锁，团队最爱的两个是：

Doom。「我们喜欢这个 Doom，它展示了实时智能，以及代码 + AI 能做什么。」负责实现的工程师原本担心每秒 10 次查询（约合 7 美元/小时）太贵，其余人却一致认为低于预期。官方计划发布深度拆解，并举办黑客活动。限定条件：这个 Demo 的输入是「带文本的数据结构」而非图像（暂时）；非 AI 的 Doom 机器人能打得更好，但团队要的是一个能对不同表示形式做出反应、最重要的是「能听指令」的机器人。

Wikiracing（维基竞速）。 玩法是从一个维基百科页面出发，仅通过沿途遇到的链接抵达指定页面，每一步都可能在数百到数千个链接中选择。它非常适合展示「每秒智能」，以及高基数选择下「不幻觉」带来的复利收益。限定条件：第二、第三场挑战都以「Rubber Duck」开头纯属巧合，作者是团队提醒后才发现的；这里的加速比明显小于此前的 Demo，因为对手是非推理模式（Astra 也调到最低推理档），这也让 Jev 往往用更少步数完成——正是更聪明的信号；调低档位是为了让演示不至于看不下去。Jev 支持最高 255 的基数，对更高基数的选择，系统会先独立打分、再做一次显式选择，因此偶有变慢。

下一步

Jev 仍处于早期。官方表示管线里还有更多东西，会持续发布，正在尽快把开发者从等待名单里放出来，并希望听到「你需要自动化哪些决策、Jev 在哪里好用、在哪里不够好」。

命名与 FAQ

作者把命名当作回答这个问题的入口：这两个名字来自 Daniel Kahneman 的《思考，快与慢》——「系统 1」是快速、直觉的思考，「系统 2」是缓慢、审慎的推理，模型类别名正取自这一区分。他们也承认「系统 1 思维」长期带有「容易出错」的隐含意味，但相信 System One 模型可以被做得比替代方案更可靠，原因日后详述。Jev 则取自 William Stanley Jevons：他们预期机器智能会走一条与煤炭相似的路——蒸汽机效率提升反而推高了煤炭需求；智能成本每下降一个数量级，就会解锁更多数量级的用例。

原文的 FAQ 还列出了另外五个问题（为何需要新的训练算法、Jev 适合什么用例、Jev 是不是只是更小的 LLM、Jev 在公开基准上表现如何、训练数据来自哪里），但页面上尚未给出答案。

核心总结

• 发布内容：TypeSafe AI 公开首个 System One 模型 Jev，即日开放早期访问；
• 核心主张：在 System One 类任务上与现有 LLM 智能相当，但快两个数量级、便宜两个数量级，端到端 70ms–500ms；
• 形态之变：放弃字符串生成，输出事先定义好的类型安全结构化值，并行采样、输出 token 免费，并不可能产生类型错误；
• 训练方法：以 RLCD（面向校准决策的强化学习）取代 RLHF / RLVR，目标从「人类偏好」换成「认识论诚实的概率」；
• 评测口径：工作流评测以 GPT-6 Astra 与 Fable 5.1 的平均预测为参考，官方首页宣称 193.6 倍更快、444.6 倍更便宜；
• 自我设限：速度依赖就近部署、成本可持续性待长期验证、0% 类型错误是数学保证而非实测、参考模型选择可能低估自家表现。

原文：Introducing System One Models & Jev（TypeSafe AI，2026-09-15）