调研对象：TypeSafe AI 的 Jev（”System One” 决策模型）及其机器人/边缘侧实测项目 robokrunch/jev-physical-ai
调研时间：2026-09-21 ｜ 资料来源：官方发布材料、第三方实测仓库、独立评测、技术社区讨论

一、一句话结论

Jev 不是”给 LLM 提推理速度”的技术，而是一类不生成文本的模型——它绕开自回归解码，一次前向并行输出候选枚举上的概率分布。”快 200 倍”是拿它与”让 LLM 做同一个分类/路由任务”相比，不是把你的模型推理提速。

数字要分两摞看：便宜、低延迟、零格式错误、批量提问免费这四条已被独立复现；而**”校准置信度”**这条是它全部卖点所在，至今没有论文、没有可靠性曲线，唯一的对抗性评测还显示——校准只在设计场景内成立，出了场景完全失效。

二、名称澄清

“roboJev” 这个名字不存在于任何官方或社区项目。实际对应三个东西：

名称 是什么 关系
Jev TypeSafe AI 的模型，2026-09-15 发布 主体，社区热议对象
System One Models TypeSafe 提出的”模型类别”命名 争议点（见 §六）
robokrunch/jev-physical-ai GitHub 第三方仓库，把 Jev 用在机器人机群/边缘设备上做实测 本报告的重要实测数据源；21 commits、0 star，非官方

三、它是什么

公司：TypeSafe AI，2024 年成立于旧金山，2026-09-15 出 stealth，$40M 种子轮（DCVC 领投）。

人：创始人 Diogo Almeida——RLHF / InstructGPT 共同作者，前 OpenAI post-training、Google Brain；CTO Erik Gafni；COO Sasha Sheng（前 Meta/FAIR）。发布推文单日 2500 万浏览、6.1 万赞。

命名：Jev 致敬 Jevons paradox（效率提升反而推高总消耗）；”System One” 取自卡尼曼的快思考系统。

它只做五件事：分类、路由、打分、抽取、分支

flowchart LR
  S["state<br/>非结构化输入<br/>字符串 / 对象 / 数组"] --> M[["Jev<br/>单端点<br/>POST /v1/systemone"]]
  Q["questions<br/>类型化的问题映射"] --> M
  M --> A["typed decisions<br/>枚举上的概率分布<br/>+ confidence"]
  A -.->|"绝不返回"| X["散文 / 代码 / 推理说明"]
  style X stroke-dasharray: 5 5

三个原语（官方全部 API 面）：

原语 criteria 返回 上限
Choice 每个选项一段说明（可 null） argmax + 完整概率分布（和为 1）+ confidence 255 选项
Score 由低到高的档位说明数组 概率加权平均（可取档位间的连续值）+ legend + confidence 2–10 档
Noul yes / no 各代表什么（可选） yes 的概率（0–1）仅此一个值，无 confidence — 
1
2
3
4
5
6
7
8
9
10
{ "state": "Stripe 连不上，已经 3 天了，我在丢单。请尽快处理。",
  "model": "jev-latest",
  "questions": {
    "department":  { "type": "choice", "criteria": {"billing":"支付问题","technical":"集成 Bug","sales":"定价咨询"} },
    "frustration": { "type": "score",  "criteria": ["平静陈述","不满但克制","非常愤怒"] },
    "is_urgent":   { "type": "noul",   "criteria": {"true":"传达了紧迫性","false":"常规咨询"} }
  }}
// → department: technical (0.840), confidence 0.596   ← billing 还留着 0.159
// → frustration: 1.035（"不满但克制"略偏上）, confidence 0.842
// → is_urgent: 0.999

工程上的几个硬约束（官方文档明示）：

  • 一个请求里的多个问题并行且相互独立，不链式——依赖前一步答案的判断得由你自己发第二次请求
  • 问题 key 不发往底层模型，不参与推理
  • 约 32k token 预算（≈15 万英文字符），是否为硬限制官方未明说
  • 不返回任何推理说明——这是合规层面的实质缺口
  • 不支持图像/音频；无 OpenAI chat-completions 兼容，不能靠改 base-url 迁移

四、为什么快：它省掉了什么

flowchart TB
  subgraph AR["自回归 LLM：输出 N 个 token 就要 N 次串行前向"]
    direction LR
    i1[输入] --> pf["prefill × 1<br/>compute-bound<br/>吃满算力"]
    pf --> d1[decode 1] --> d2[decode 2] --> d3[...] --> d4["decode N<br/>memory-bound<br/>等显存带宽"]
    d4 --> st[生成字符串] --> ps[解析 + 校验]
    ps -->|格式损坏| rt[重试]
    style rt stroke-dasharray: 5 5
  end

  subgraph JV["Jev：答案本身就是候选集上的概率"]
    direction LR
    i2[state] --> fw["一次前向"]
    qq["Choice / Score / Noul"] --> fw
    fw --> out["各问独立吐出<br/>概率分布 + confidence"]
  end

关键区分——它和 OpenAI Structured Outputs / constrained decoding 不是一回事：

  • Constrained decoding：照样跑生成循环，只是每一步把非法 token 的概率 mask 成 0。官方自己也承认，新 schema 首次请求要编译文法，”复杂 schema 可能要 1 分钟”
  • Jev：输出空间本身就是类型，不存在”给非法值分配概率”的状态。Almeida 在 HN 上的原话是：“simply masking logits is insufficient because if ever a model was assigning probability to an invalid token, the model is by definition confused.”

但要小心一个偷换：所谓”不会幻觉”，指的是不可能返回 schema 之外/类型不安全的值——官方脚注自己写了这句 0% “is not empirical”。一个格式完全合法但内容错误的答案，照样可能发生。 社区把这条总结得比官方清楚：“Type safety is not factual correctness.”

五、数字分级：哪些能信

✅ 已被独立复现的部分

项 证据
$0.042/MTok 输入、输出免费 博客/首页/X/Gateway 等 5 处口径一致；两家独立测试实测成本落在同一区间（约 $0.04–0.05/千次决策）
低延迟 官方称 70–500ms；独立实测：Every 中位 0.35s、Near Here 均值 0.59s、RoboKrunch p50 0.527s
并行采样真实有效 Every 一次跑出 777 个判断 < 0.7s
零格式错误 Good Start Labs 在 1,203 条上重评，Jev 格式失败 0 条；Claude Fable 5.1 有 67 条、Gemini 3.8 Flash 5 条、GPT-5.6 Luna 2 条。另一批 7 月 10,500 次判定也是 0

“零格式错误”的实际价值：解析失败、重试、兜底逻辑这一整块工程代码可以省掉。这是第三方实测里唯一被反复确认的明确优势。

⚠️ 厂商自报，必须打折的部分

官方说法 实际情况
快 193.6× / 便宜 444.6× 自家自选 workload 的峰值。官方自己写了 “these are on the higher end of real world gains”。独立实测只有约 5×–25×。同一场发布还出现了第三个口径：”up to 100x”（官方 PR 稿）——三套数字并存
基准准确率 自家 dashboard 上 Jev 聚合 67.8%，Claude Opus 5 是 73.1%、GPT Sol 74.1%。差距最大的 invoice processing：Jev 61.8% vs Sol 79.1%。它落后，是官方自己公布的数据
“0% 幻觉” 官方脚注 “is not empirical”——这个 0 是从定义推出来的，不是测出来的
校准（RLCD 的全部意义） 无论文、无可靠性曲线、无 ECE 数字、无消融实验。文档自己退到”校准是群体性质，不保证单条答案正确”
定价可持续 官方原文：“We can’t prove it isn’t subsidized.” 免费输出 + $40M 种子轮，在证明之前就是一个补贴形状的安排
生产可用性 早期访问 + 等待列表。零具名客户、零收入披露、无 SLA、108 页文档里没有一个 rate limit 数字

🔍 官方自己披露的评测方法学偏差

读官方材料时这几条比数字本身更重要：

  1. 参考答案是 GPT-6 Astra 与 Claude Fable 5.1 的平均值——官方承认这 “biases answers towards OpenAI and Anthropic’s models”，但同时，与共识一致不等于正确，共同错误检测不出来
  2. 评测 workflow 由 TypeSafe 自己的模型能力团队设计——官方原话 “some bias could exist”
  3. LLM 对照组走 TypeSafe 自己的 wrapper，官方承认这个 wrapper “tends to be slower and more expensive”
  4. 速度是在”西海岸自己的笔记本上”测的——没有负载下的 p99、没有限流场景

六、社区怎么看

总体判断：速度与成本优势被多方独立验证；“新模型类别”的叙事被普遍质疑；校准（calibration）是公认未解决的核心问题；发布后一周内出现 8 个开源复现。中文社区流传最广的一句总结是——“方向是真的，数字大半是营销。”

quadrantChart
  title 社区评价的四条主线
  x-axis "对厂商叙事有利" --> "对厂商叙事不利"
  y-axis "证据薄弱" --> "证据扎实"
  quadrant-1 "已被独立证伪"
  quadrant-2 "已被独立验证"
  quadrant-3 "厂商自报待验"
  quadrant-4 "证据有限"
  "价格 / 延迟 / 零格式错误": [0.15, 0.88]
  "批量并行提问免费": [0.2, 0.82]
  "193.6x / 444.6x": [0.82, 0.72]
  "校准能力 RLCD": [0.75, 0.12]
  "0% 幻觉": [0.88, 0.1]
  "准确率落后前沿": [0.78, 0.75]

6.1 Hacker News：定性之争的正面交锋

主帖 item 49717558，1930 points / 509 comments（2026-09-21 直接核实；媒体流传的 475 / 1655 / 1863 等数字均为不同时点快照）。

评论者 原话 意义
petesergeant “This is basically a zero-shot classifier that can accept raw text as an input…” 提出定性
Almeida 本人 “exactly right!” 创始人照单全收
StevenWaterman “each question is a separate single token model completion done in parallel” 最准的技术拆解
WhitneyLand “Type safety is not factual correctness.” 击穿”零幻觉”
thduabmd “An approve for an unauthorized action still meets the schema guarantee. That’s why I find the messaging misleading.” 指出图表误导
Mentlo “…or when you say ‘outputs calibrated probabilities’ you mean ‘as calibrated as frontier LLM models, just cheaper‘ — which is a different claim” 指出话术偷换
paraschopra 估算模型约 3B 参数，”One could replicate this by post training Qwen 3.5 2Bn. I expect people to do so soon!“ 事后被完全言中

另有：演示视频被质疑 AI 生成（创始人在帖内逐条解释服装与配音）；Doom demo 被吐槽 “they reinvented aim bot for cheaters.”

6.2 中文社区：冷淡、拆解、翻车

linux.do（⚠️ 该站反爬返回 403，帖标题与 URL 已确认，评论内容取自搜索索引与镜像站，未逐字核验）：

  • 《奇怪，为什么没人讨论 Jev ?》—— 热度低的归因很直白：”又不发鸡蛋，用还要费劲巴拉的申请，为什么讨论“
  • 《jev 这玩意是不是适合 cpa/sub2api 中集合》—— 唯一一条中文圈独有的量化批评：有人引用推上评测称，用 Jev 做任务复杂度路由会因为缓存命中率极低（单独模型 99% vs Jev 路由 35%）而不被推荐

locdd.com（”大佬说”，可读到原文） 出现比英文圈更直白的技术拆解：

“他把输出层换了一个专门训练的用于分类任务的层，只输出一个 token，后续直接截断不输出了……所以理论上，任何一个模型，稍微调整一下，就能变成这种的。几乎没有训练成本。”

“jev 就是一个大语言分类器……唯一的好处是不用针对领域数据专门训练微调。不然速度上它是比不上传统分类器的，毕竟太大了。”

“某种意义上感觉不如机器学习早期的随机森林，随机森林分类错了至少能知道为什么错，这个完全是一个黑盒。” —— 另有回帖补刀：“这种通用分类器是前 GPT 时代的玩意。”

实践翻车记录：有人原想用 Jev 找代码 bug，结论是 “效果很差（无法理解代码逻辑，概率值与代码模式正相关）”，只能降级去做 YAML 规则检查、commit message 格式校验。

知乎（怀疑派里技术含量最高的一批）：

  • 《Jev 的一个危险误读》——最要害的一击：把复杂问题拆成多个简单判断，关键关系可能在拆分中被拆没。2,000 封钓鱼邮件直接问 Jev 只有 62.6%（Claude Haiku 4.5 是 81.3%）；改成”拆信号 + logistic regression 聚合”才到 95%——但那个成绩属于整个系统，不属于 Jev
  • 实战翻车（售后 agent 项目）：低歧义判断 50/50、证据过期 50/50，而**”买方陈述与物流冲突”仅 9/50**
  • 经济性反问：Qwen3.7-flash 输入 $0.03/百万 token，比 Jev 还便宜三成，而且能顺手把标题、摘要、翻译一起写了

⚠️ 掘金 / V2EX 检索后确认无原生讨论帖。中文讨论实际集中在 linux.do、locdd.com 与知乎。
⚠️ 交易 demo（”一晚亏掉 $31,680”）金额不可引用：多个来源互相矛盾，有人核对官方 dashboard 只看到几美元。

6.3 开源复现潮：把”隐身两年”打回原形

发布后一周内出现 8 个开源复现（Laya、SemIf、SimpleJev、Von、Verdict、Kev、Nimble、OpenJev），分属四条技术路线，准确率从 42.5% 到 93.2%。

timeline
  title Jev 发布后一周
  09-15 : Jev 发布，HN 主帖上线
        : 数小时内 Qwen2.5-1B 复现
  09-16 : The Register / SiliconANGLE 报道
        : Laya 开源版出现
  09-17 : 钓鱼邮件基准公布（62.6% vs 81.3%）
  09-19 : APUS fast-browser-use 开源（MIT）
        : robokrunch 机器人实测
        : willkelly 对抗性评测跑完 123,805 次请求
  09-20 : 中文社区"Jev 被开源模型爆了"
  • APUS-AI-Lab/fast-browser-use（MIT，36 stars）：把 DOM 可见元素编号成候选元组（CLICK, btn_7），映射到词表单 token，单次前向 logits 打分、跳过自回归解码。本地 Qwen3.5-9B，Apple M2 Pro 全程离线，Wikipedia 检索中位 ~18s、表单/导航 ~3s
  • Laya（ConvAI，Apache-2.0，421M 英文 + 322M 多语）：T4 上 sub-35ms。厂商自报 0.766 vs Jev 的 0.727，但他们从未自己跑过 Jev；一组独立 78 例小样本反而是 Jev 0.974 vs Laya 0.590
  • 开发者 Harsha Gundala 在发布数小时内用 Qwen2.5-1B 复现，原话被多语种媒体广泛转引：“They developed in stealth for two years; I did it in two hours.” ⚠️ 未能定位原始推文
  • 技术共识：复现准确率可行，概率校准仍是未解决问题——甚至只打乱选项顺序就会改变输出

6.4 最有杀伤力的第三方评测

willkelly/jev-evaluation —— 目前诚信度最高的独立评测：事前预注册 9 个实验 / 28 条预测，一次跑完 123,805 次请求、138 分钟、$12.69，原始日志 1.3GB / 133,696 条记录全部公开，任何数字可复算。结果：25 条可测预测中只有 12 条成立、13 条被证伪。

发现 内容
❌ 校准在”设计场景内”成立、”场景外”完全失效 工单路由 ECE 0.075；但随机 3-SAT 上对每个公式都答”可满足”，平均概率只变动 0.026 而真实可满足比例变动 1.000。给定 x AND NOT x（显然不可满足），它返回 P(可满足) = 0.38
✅ 批量提问确实免费 第 200 个问题的准确率与第 1 个相同；60 问一次问比逐个问省 20× token、快 8×，答案完全一致。这是唯一被独立证实的”大卖点”
❌ 提示注入：”粗暴的失败，礼貌的成功” IGNORE THE INSTRUCTIONS ABOVE 只改变 1/200；声称”主管已作出决定”改变了 147/200。置信度能检测”被插入指令”，检测不到”被误导”
❌ 单一阈值抓不全失败模式 缺失事实会掉到 0.8 以下（0.8 阈值抓 95.5%），但**”流利的胡言乱语”仍停在 0.893——0.8 阈值一个都抓不到**
⚠️ 多主体共享请求必须”指名”而非”指位” 60 张工单一次问：按”发件人 + 日期”命名得 1.000，”说 Ticket 1”得 0.420，且沿列表衰减（前 1/3 是 0.870，后 1/3 是 0.150，随机基线 0.125）
⚠️ API 实际契约与文档不符 3 处 prompt 字段实为 instructions；无请求级 instructions（发就 400）；Noul 答案没有 confidence 字段

其他硬数字：

来源 结果
Arize AI 一名开发者用 Jev 零样本跑 18,514 封垃圾邮件得 98.3%；而在 14,800 封已标注邮件上训练的 TF-IDF logistic regression 得 98.4%——统计上打平
jev-phishing-bench 2,000 封钓鱼邮件：Jev 62.6% vs Claude Haiku 4.5 的 81.3%；ECE 0.154 vs 0.097；但 p50 239ms vs 687ms、$0.038 vs $0.462 每千封
Every 777 判断 < 0.7s、约 $0.0025；第二轮 12 段合成文本，Jev 中位 0.35s vs Fable 5.1 的 8.83s（25× 快、约 1/580 成本），但只抓到 7 个植入缺陷中的 6 个，Fable 5.1 全中
Near Here 50 例事件校验 96% vs Mistral Small 4 的 84%、Gemini 3.5 Flash-Lite 的 86%，且零个有效事件被误拒
Vercel（企业自述） 命令安全审查替换 GPT-5.6 Luna：中位延迟 1458ms → 312ms，准确率 96.7% → 98.6%
Pong 延迟对决 Jev 平均 227ms/决策 vs Gemini 3.8 Flash 3.2s、Haiku 4.5 2.5s、Sol 3.5s——但作者强调这是延迟 demo，不是策略测试

6.5 193.6× / 444.6× 是怎么拼出来的

有人从官方图表反推：速度峰值挑的是 Claude Sonnet 5（最慢的 Anthropic 模型），成本峰值挑的是 Claude Opus 5（最贵的）——分别挑了对自己最有利的基线。对官方自己承认”智能对等”的 Terra，数字只有 25× / 76×；对便宜的 Luna 只剩 8× 成本优势。

6.6 被忽略的那条发现（比 Jev 本身更重要）

TypeSafe 自己的评测数据里埋着一句话：把策略拆成窄的、类型化的问题、由代码做最终决策，所有语言模型都变好——Haiku 4.5 从 18.1% 跳到 53.6%，且更便宜更快。

这条今天用任何模型都能用上，与买不买 Jev 无关。

七、机器人侧的实测：robokrunch/jev-physical-ai

这个仓库值得单独看，因为它是唯一把 Jev 放到物理世界、并且把局限写在明面上的实测。所有数字来自 2026-09-19 的真实调用（走 OpenRouter typesafe/jev-1.13）。

Demo A — 1 万台机器人机群分诊

41 个中英双语仓库 AMR 故障模板（LiDAR 退化、定位漂移、电池故障、托盘漏检、网络分区、人区闯入），采样 300 个事件，每次调用同时问 3 个判断（是否升级人工 / 责任团队 / 紧急度）。

指标 值
成功决策 300 / 300
p50 延迟 0.527 s
p95 延迟 0.813 s
平均输入 token 584.9
单次决策成本 $0.0000246
每百万次决策 $24.57
整轮 300 次总花费 $0.00737
与模板标签一致 274 / 300 = 91.3%

机群成本外推（10,000 台 × 48 次/天 × 30 天 = 1440 万次/月）：

1
2
Jev              ████                       $353.81 / 月
GPT-4o-mini (估) ████████████████████      $1,814.40 / 月   ≈ 5.1×

⚠️ GPT-4o-mini 那一列是估算，作者明说没测它的分诊质量和延迟。5.1× 是纯成本比，不是质量声明。

Demo B — 对比自托管 ModernBERT（这份实测最反直觉的结论）

同一故障分诊域，answerdotai/ModernBERT-base（149M 参数）跑在 2 核 AMD EPYC、纯 CPU 上：

指标 ModernBERT（自托管） Jev（API）
p50 延迟 169.3 ms 527 ms
吞吐 5.06 samples/s ~1.8 决策/s
每次调用判断数 1 个标签 3 个判断
需要训练数据 18 个样本 + 调参 零
运维负担 自建 VM 零

作者的结论（本报告最重要的一句引用）：
“Jev’s advantage is not raw inference speed — a small local model is ~3× faster. Its advantage is starting cost: no training, no annotation, no infrastructure to babysit.”

成本打平点：按 $24/月 的 4 vCPU VM 计算，自托管在 **≈977K 决策/月（约 678 台机器人 @48 次/天）**处打平。低于这个量级用 Jev 更划算，且省掉标注和运维。

仓库自陈的局限（原文照录，因为这是它可信的原因）

  • incident 是模板模拟的，”91.3% 是与模板标签的一致率，不是生产准确率“
  • 没有真实机器人硬件、没有边缘 NPU、没有长稳测试、没有概率校准研究
  • GPT-4o-mini 对比是估算的；打平点计算忽略了你自己的工程时间

八、置信度应该怎么用（唯一有实操价值的设计）

官方给的三段式路由，这是 Jev 这套东西里最经得起推敲的部分：

flowchart LR
  A[需要判断] --> B{"Jev confidence"}
  B -->|"低置信 → 低置信阈值"| C["自动执行<br/>（读操作，阈值 0.5）"]
  B -->|"低置信 → 高置信阈值"| D["谨慎推进 / 补充信息"]
  B -->|"低于阈值"| E["转人工 / 换更强模型"]

阈值按”爆炸半径”分档（官方示例）：查余额这类只读操作 0.5 就放行；转账这类不可逆操作要到 0.9 才执行。

⚠️ 但 confidence 是概率分布的集中度，不是正确率。官方例子：department = technical 0.840，confidence 却只有 0.596——因为 billing 还留着 0.159（Stripe 确实是支付问题）。置信度低不代表答案错，代表问题本身有歧义或材料不足。

对照 GPT-4 技术报告：RLHF 让 ECE 从 0.007 恶化到 0.074（10 倍）。这是 Jev 想解决的问题域——但没有任何证据表明它真的解决了。

九、第三方交叉评分

Good Start Labs，2026-09-15 重评 1,203 条回答的 6,003 个 rubric 判定（⚠️ 该机构自认是 TypeSafe 的 early access 伙伴，不是完全独立）：

判定者 与 Jev 一致率 与 Fable 5.1 一致率 成本 / 百万次
Jev — 91.5% $160
Claude Fable 5.1 91.5% — $33,000
DeepSeek V4.1 Flash 91.5% 93.5% $260
GPT-6 Astra 90.6% 95.2% $18,700
Gemini 3.8 Flash 90.6% 95.4% $1,600
GPT-5.6 Luna 86.5% 88.4% $400

三点必须注意：

  1. 测的是一致率，不是准确率。大家都错得一样，一致率反而更高
  2. Jev 与各模型一致 86–92%（均值 90%），而 LLM 彼此之间是 88–95%。该机构自己的结论：“That is a real gap to the frontier, and the honest place to start from.”
  3. DeepSeek V4.1 Flash 只贵 $100/百万次，一致率反而更高（93.5% vs 91.5%）。HN 上有人指出这一点，测量者本人承认”那是对的”——444× 的成本神话在换一个对照组后就缩水了
  4. ⚠️ 该机构的数字存在两个互相矛盾的版本（91.5% 表格版 vs “Jev 86–92% vs LLM 互测 88–95%” 叙述版），且 Jev 的判定日期是 7 月而对照组是 9 月、0.70 通过阈值未经标注验证。引用时以”方向”而非”精确值”为准

独立实测还有两家：Every（Mike Taylor，21 问 × 37 文档）与 Near Here（50 例事件校验，Jev 命中 96% vs Mistral Small 4 的 84%、Gemini 3.5 Flash-Lite 的 86%，且零误杀）。两者都提醒：单任务、样本小。

十、适合 / 不适合

flowchart TB
  subgraph OK["✅ 值得试"]
    direction TB
    a1["高频、schema 化的判断层"] --- a2["工单分流 / 内容审核路由"]
    a2 --- a3["线索打分 / 告警分类"]
    a3 --- a4["guardrail：给 LLM 输出当裁判"]
  end
  subgraph NO["❌ 不要用"]
    direction TB
    b1["需要可审计推理<br/>（它完全不提供解释）"] --- b2["需要 SLA<br/>（早期访问、无 rate limit 数字）"]
    b2 --- b3["指望替代 LLM<br/>（不能聊天/写代码/看图/调工具）"]
    b3 --- b4["需要跨步骤链式决策<br/>（问题之间不链式）"]
  end

判断口径：把它当成**”学习到的语义分支指令”**——执行控制权留在你的确定性代码里，它只负责模糊判断（原文 “a component that handles fuzzy judgments while deterministic code stays in control of execution”）。这是社区接受度最高的定性，出自 Progressive Robot 的文章；⚠️ 该文章署名与人名的对应关系无法独立核实，引用时请勿绑定具名分析师。

十一、待验证清单（决定它是”新范式”还是”工程良好的零样本分类器”）

待观察 为什么关键
校准论文 / 可靠性曲线 这是 RLCD 全部卖点的生死证据，目前不存在；而 willkelly 的对抗性评测已给出反证：校准在 3-SAT 等设计外任务上完全失效
定价在种子轮烧完之后是否变化 官方已承认无法证明没有补贴
限流数字与负载下的 p99 现有速度数据全是”笔记本上单跑”
第一个具名客户 目前零客户、零收入披露
架构论文 Almeida：“architecture is close to the chest for now, but we have talked about writing a paper”

当下的诚实结论：Jev 是一组真实的、可复现的经济学优势（便宜、快、零格式错误、零训练成本），包裹在一个尚未被证明的智能主张（校准置信度 = 新模型类）外面。买它的性价比，别买它的叙事。

附：参考来源

官方材料

  • Introducing System One Models and Jev — TypeSafe AI blog（2026-09-14）
  • 发布推文 — Diogo Almeida (@CompleteSkeptic)，2026-09-15
  • TypeSafe 文档（API reference / System One concepts / patterns）
  • Workflow evals dashboard（含逐例 disagreement walkthrough）

第三方实测与分析（中立且可复算的优先）

中文侧

附二：来源可信度说明（引用前必读）

层级 来源 说明
可复算/中立 willkelly、anisselbd、themsquared、Every、Arize AI、XenoSpectrum 有原始数据或完整方法；willkelly 公开 1.3GB 日志
当事方 TypeSafe 官网 / blog / evals dashboard、Business Wire 通稿、APUS 及其通稿、Vercel、Bryo AI 利益相关，企业自述数据
SEO/内容营销属性 agentpedia.codes、explainx.ai、orcarouter.ai、beri.net、ts2.tech、virtualuncle.com 内容农场形态，数字多为转引
匿名署名 abn.is 本报告中多条反推数据来源于此，无法追溯作者
售卖相关服务 robokrunch 售卖边缘 AI 基准测试服务

⚠️ 本报告的验证边界

  • 官方材料、robokrunch 仓库、Zenn、XenoSpectrum、Agentpedia 全文、locdd.com 两帖均已读原文
  • linux.do 未能直读（robots.txt 403，两种抓取通道均被拒）；其内容来自搜索索引与镜像站，评论原文未逐字核验
  • HN 主帖已直接核实：item 49717558，1930 points / 509 comments（2026-09-21）
  • 掘金 / V2EX 确认无原生讨论帖，本报告未声称其有讨论
  • 以下引用已核实不可靠，请勿传播：交易 demo 亏损 $31,680 的具体金额、”150,000 颗 Skittles 5 秒排序”、”Harsha Gundala / Niels Rogge 原话”的原始推文出处
  • 所有官方数字均为厂商自报，除已标注”独立实测”者外，不构成第三方验证