--- title: "Jev 系統模型與 LLM 差異：開發者指南" locale: zh-hant category: knowledge_base category_name: "知識庫" translation_status: reviewed license: cc_by author: "injoys" source_url: https://injoys.com/en/articles/jev-system-one-model-llm-comparison published_at: 2026-09-22T04:13:16+09:00 --- # Jev 系統模型與 LLM 差異：開發者指南 > Jev 是由 TypeSafe AI 開發、用於結構化判斷的模型。其運作方式是將選項值與機率連結至程式碼，實際導入時必須區分輸出格式與判斷準確度。 ## Key Points - Jev 不會回傳自由形式的說明文字，而是回傳預先定義的答案與機率。 - Choice 和 Score 有信賴度，但 Noul 沒有單獨的信賴度欄位。 - 2026年9月15日公布的輸入價格為每 100 萬個 token 0.042 美元。 - 公開的速度比較結果來自特定任務與測量環境。 - 處理韓文業務時，請使用實際案例驗證準確度與轉入審查的標準。 Jev 是 TypeSafe 開發的軟體判斷模型。它不會回傳說明文字，而是回傳選項值與機率。其設計適用於分類和工作流程分流。即使輸出格式正確，判斷仍可能有誤。 費用和速度數據以 TypeSafe 於 2026年 9月 15日發布的資訊為準。 ## Jev 與 System One Model 的含義 Jev 是一種會產生可供程式碼直接使用之判斷結果的 AI。正式產品名稱為 Jev。TypeSafe 將這一系列稱為 System One Model。 輸入內容包含判斷對象 `state` 和問題 `questions`。`state` 是客戶諮詢或工作紀錄等判斷所需的資訊。問題中會指定允許的答案與評估標準。 System One 這個名稱源自快速且直覺的思考。這是該公司用來說明產品角色的名稱。它也具備理解自然語言輸入的能力。概念與輸入範圍可參閱 [TypeSafe 的 System One 文件](https://docs.typesafe.ai/concepts/system-one)。 ## 與 LLM 有何不同？ 核心差異在於可輸出的答案範圍。LLM 會生成說明文字和程式碼等自由內容。Jev 則在開發者指定的答案範圍內進行判斷。 | 比較項目 | 一般的 LLM 應用 | Jev 應用 | | --- | --- | --- | | 主要結果 | 說明文字、摘要、生成的程式碼 | 選項值、評估分數、機率 | | 答案範圍 | 自由生成或結構化輸出 | 問題中預先指定的範圍 | | 軟體串接 | 依回應格式進行解析與驗證 | 將回傳值連接至條件判斷與分類 | | 生成說明 | 可用句子撰寫判斷理由 | 不支援生成自由形式的說明文字 | | 適合的角色 | 對話、撰寫、解決複合問題 | 分類、選擇負責流程、依標準評估 | LLM 也可設定為以結構化格式回答。因此，輸出 JSON 本身並不是 Jev 獨有的功能。Vercel 文件也說明了與結構化 LLM 的串接方式。但相同的回應格式並不代表相同的評估行為。這是 [Vercel 的 Jev 解說](https://vercel.com/i/what-is-jev)中所說明的區別。 在軟體中，輸出必須符合規格，才能執行後續工作。例如，負責部門的值必須是允許使用的名稱。若其中混入說明文字，就會產生額外的解析流程。Jev 的設計目的就是直接回傳這類判斷結果。 ## 依 Choice·Score·Noul 條件整理 請根據問題答案的形式選擇類型。Jev 的基本問題類型是 Choice、Score、Noul。針對相同狀態的獨立問題可合併在一次呼叫中。設定方式請參閱 [TypeSafe Introduction](https://docs.typesafe.ai/introduction)。 | 所需判斷 | 問題類型 | 回傳內容 | 應用範例 | | --- | --- | --- | --- | | 從指定選項中選擇 | Choice | 選項值、各選項的機率、信賴度 | 將諮詢轉交給負責部門 | | 依有順序的標準評估 | Score | 分數、各階段的機率、信賴度 | 評估事故嚴重程度 | | 判斷某項陳述是否正確 | Noul | 表示答案為「是」之機率的 0-1 值 | 判斷是否包含退款要求 | Score 的數字代表其在所設定評估階段中的位置。它不一定表示百分比。Noul 是回傳答案為「是」之機率的類型。[Score 文件](https://docs.typesafe.ai/primitives/score)與 [Noul 文件](https://docs.typesafe.ai/primitives/noul)分別是各自的解讀依據。 對於彼此相依的問題，請決定處理順序。若後一個問題需要前一個問題的答案，就必須在程式碼中進行連接。同一次呼叫中的問題會各自獨立評估共用狀態。 ## 如何解讀餐廳應對案例中的數字？ 餐廳應對示範中的數字不能視為整體產品的準確率。介紹影片的說明中出現了以下數值。無法確認原始 API 請求與測量條件。 | 介紹的數值 | 說明中的含義 | 解讀時需要確認的事項 | | --- | --- | --- | | 0-1 尺度中的 0.09 | 對顧客行為正當性的評估 | 確認是分數還是答案為「是」的機率 | | 選項適合度 94% | 對說明付款理由之方案給出的數值 | 確認所提供的選項與問題標準 | | 信賴度 92% | 顯示對該判斷的信賴度 | 不要將其解讀為實際正確率 | | 處理時間少於 0.1秒 | 示範中介紹的回應時間 | 確認是否包含通訊時間 | 此案例是用來理解輸出形式的範例。不能只憑數字判定現實中的糾紛。尤其當選項設定改變時，問題本身也會改變。 ## 混淆機率與信賴度的常見錯誤 機率與信賴度是不同的數值。Choice 的機率是分配給各個選項的數值。信賴度則概括該機率分布的集中程度。 因此，不應將信賴度 92% 解讀為正確率 92%。實際正確率必須透過已有正確答案的案例進行測量。Noul 沒有獨立的 `confidence` 欄位。這項區別已明載於 [TypeSafe Confidence 文件](https://docs.typesafe.ai/confidence)。 - **混淆格式與準確度：** 即使選出了允許的部門，仍可能選錯負責部門。 - **混淆分數與機率：** Score 值可能代表其在評估階段中的位置。 - **混淆信賴度與正確率：** 僅憑高信賴度無法保證個別答案正確。 - **遺漏選項：** 若選項中沒有需要的答案，就很難做出適當判斷。 校準是彙整多項預測，評估機率與結果之間關係的概念。它不是保證單一答案準確性的程序。請分別評估是否符合輸出規格以及語義上的準確度。 ## 公開費用與速度比較的條件 公開費用是以輸入 token 為基準計算。token 是模型處理文字的單位。2026年 9月 15日的公告指出，輸出 token 費用為免費。 | 項目 | 公開內容 | 適用範圍 | | --- | --- | --- | | 輸入費用 | 每 100萬 token 0.042美元 | 公告當時的 TypeSafe 費用 | | 輸出費用 | 免費 | 公告當時的 TypeSafe 費用 | | 回應時間 | 70-500毫秒 | 公司公布的測量範圍 | | 測量環境 | 主要為美國西部地區的筆記型電腦 | 公司公告所載的評估環境 | 這些數值並非所有請求的效能保證值。該公司的評估包含以外部模型預測作為基準的比較。這不能視為等同於實際業務的正確率。測量條件已公布於 [TypeSafe 發布公告](https://typesafe.ai/blog/introducing-system-one-models-and-jev)。 ### 公開單價計算範例 輸入 10億 token 的基本使用費為 42美元。計算式為 `1,000,000,000 ÷ 1,000,000 × 0.042`。這是公開單價的換算範例。 每次判斷的價格會依輸入長度而異。重試或後續模型呼叫也會影響實際費用。最新單價請參閱 [TypeSafe Models 文件](https://docs.typesafe.ai/models)。 ## Doom 示範呈現的應用範圍 Doom 示範是根據結構化遊戲狀態選擇行動的案例。這並不是直接理解遊戲畫面影像的示範。TypeSafe 說明其使用的是文字形式的狀態資料。相關條件請參閱[發布公告中的 Doom 說明](https://typesafe.ai/blog/introducing-system-one-models-and-jev)。 應用於業務時，可將需要反覆判斷的環節列為候選項目。下表是依據功能整理的設計範例。個別業務中的效能仍須另行驗證。 | 業務條件 | 可能的角色 | 同時需要的處理 | | --- | --- | --- | | 將諮詢分類至指定部門 | 使用 Choice 選擇負責流程 | 模糊諮詢的審查流程 | | 依共同標準評估文件 | 使用 Score 回傳各項標準的分數 | 明確定義評估標準 | | 確認是否包含特定要求 | 使用 Noul 評估陳述 | 決定是否執行的程式碼 | | 為使用者撰寫說明文字 | 連接生成式模型 | 傳遞原文依據與已核准的判斷 | ## 韓文業務與數字處理的限制 韓文業務需要自行驗證。TypeSafe 表示主要訓練語言為英文，並說明其他語言的效能並不相同。語言支援條件可參閱 [Models 文件](https://docs.typesafe.ai/models)。 回傳數字並不代表計算也一定準確。這是 2026年 9月 17日審查的限制文件中所載的說明。文件建議在程式碼中處理計算。 > Jev is not a calculator. 上述文字是 [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13)的原文。 | 已知限制 | 開發時的因應方式 | | --- | --- | | 精確的數量計算 | 以程式碼計算項目數量 | | 日期與時間比較 | 將擷取的值轉換為日期資料型別後再比較 | | 無關的長篇輸入 | 僅篩選判斷所需的內容 | | 複雜的否定句與間接條件 | 拆分成明確且簡短的問題 | | 模糊或互相衝突的評估標準 | 對齊問題與選項的含義 | 韓文驗證資料應包含實際業務用語。敬語或省略的主詞也應列入檢查範圍。可將處理結果已確定的案例與模型答案進行對照。 ## API 與 SDK 使用途徑比較 除了直接連線至 TypeSafe 的途徑外，也已確認可透過閘道使用。發布公告說明了透過候補名單提供初期使用權。各帳號是否可使用，請至各項服務確認。 | 途徑 | 已確認的提供形式 | 查閱文件 | | --- | --- | --- | | TypeSafe | 主控台、API、用戶端 SDK | Quick start | | Vercel AI Gateway | 串接 Jev 評估請求 | Evaluation | | OpenRouter | 登錄 Jev 1.13 模型 | Jev 1.13 模型頁面 | TypeSafe 的 [Quick start](https://docs.typesafe.ai/introduction/quickstart)說明了直接呼叫程序。以下是該途徑的基本步驟。 1. 在主控台確認帳號的存取權限。 2. 在 Playground 測試判斷對象與問題。 3. 在儀表板取得 API 金鑰。 4. 透過 SDK 或 HTTP API 傳送請求。 5. 將回傳值與機率連接至程式碼的處理規則。 Vercel 的 [Evaluation 文件](https://vercel.com/docs/ai-gateway/modalities/evaluation)中提供了串接範例。是非問題在此途徑中會顯示為 Boolean。也可在 [OpenRouter 的 Jev 1.13 頁面](https://openrouter.ai/typesafe/jev-1.13/)確認模型。各途徑的請求格式與限制，請以各自的文件為準。 ## 保留判斷紀錄的設計標準 若要驗證自動化結果，請一併記錄輸入依據。若只儲存選項值，就很難找出誤判原因。以下項目是根據正式介面整理的設計建議。 | 紀錄項目 | 可確認的問題 | | --- | --- | | 判斷所使用的原文與時間點 | 過時或遺漏的資訊 | | 問題與選項的版本 | 標準變更所造成的結果差異 | | 實際回應的模型 ID | 模型變更的影響 | | 答案與機率分布 | 處理模糊案例的理由 | | 程式碼執行的工作 | 判斷與執行之間的不一致 | | 人工確認的結果 | 實際錯誤與修正內容 | 模型名稱的別名可能會變更為指向新版本。已驗證的版本可固定使用模型 ID。這是 TypeSafe 的 [Models 文件](https://docs.typesafe.ai/models)中所說明的運作方式。 請根據實際案例設定轉交審查的標準。應同時評估錯誤分類的成本與人工審查的負擔。不存在普遍適用的信賴度基準值。驗證方法可參考 [Confidence 文件](https://docs.typesafe.ai/confidence)中的說明。 ## FAQ ### Jev是什麼樣的AI？ 這是TypeSafe AI開發、用於軟體判斷的模型，會傳回預先定義的答案與機率。 ### System One Model是什麼意思？ 這是TypeSafe為快速且判斷範圍明確的模型所取的名稱，名稱源自快速且直覺式思考的概念。 ### Jev會取代所有對話式LLM嗎？ Jev不會生成自由形式的說明文字。如果需要對話與寫作，也可以採用搭配生成式模型的架構。 ### 這與LLM的JSON輸出有什麼不同？ LLM也可以支援結構化輸出。Jev是設計用來在指定答案範圍內進行判斷的模型。即使回應格式相同，評估行為也可能不同。 ### 如何區分Choice與Score？ 從沒有順序之分的選項中選擇一個時，屬於Choice。評估從低到高等具有順序的標準時，則屬於Score。 ### Noul值較低，代表可信度較低嗎？ Noul表示答案為「是」的機率。接近0時，代表判斷結果偏向「否」。沒有獨立的可信度欄位。 ### 可信度92%代表正確率為92%嗎？ 不能如此解讀。可信度是對答案機率分布的摘要值。實際正確率必須以已確認正確答案的案例來衡量。 ### Jev的使用費是多少？ 2026年9月15日公布的費率為每100萬個輸入token 0.042美元。當時官方說明輸出token免費。最新費率請參閱TypeSafe Models文件。 ### 一定會在0.1秒內回應嗎？ 尚未確認這是適用於所有請求的保證。公司發布公告中的範圍為70-500毫秒。實際延遲請根據輸入與連線環境進行測量。 ### Doom示範是直接分析遊戲畫面嗎？ TypeSafe表示該示範使用以文字呈現的遊戲狀態，並不是直接輸入影像本身的示範。 ### 可以輸入韓文嗎？ 也可以處理韓文等非英文輸入。不過，官方文件表示在英文環境下的準確度最高。請另行針對韓文業務案例進行驗證。 ### 可以用於數字計算和日期比較嗎？ Jev 1.13的限制文件指出，它不擅長精確計算。日期的先後順序比較也是已知限制。建議使用程式碼處理計算與比較。 ### 也可以在Vercel和OpenRouter上使用嗎？ Vercel 在 AI Gateway 的評估功能中提供連線方式說明。OpenRouter 也有 Jev 1.13 模型頁面。請確認各路徑的使用條件與請求格式。 ### 運作中的模型可能會變更嗎？ 指向最新版本的別名可能會移至新模型。可以固定已驗證的模型 ID。也請記錄回應中包含的實際模型 ID。 ## Sources - [TypeSafe AI，推出 System One 模型與 Jev，2026年9月15日](https://typesafe.ai/blog/introducing-system-one-models-and-jev) - [TypeSafe AI 文件，System One](https://docs.typesafe.ai/concepts/system-one) - [TypeSafe AI 文件，介紹](https://docs.typesafe.ai/introduction) - [TypeSafe AI 文件，分數](https://docs.typesafe.ai/primitives/score) - [TypeSafe AI 文件，Noul](https://docs.typesafe.ai/primitives/noul) - [TypeSafe AI 文件，信心度](https://docs.typesafe.ai/confidence) - [TypeSafe AI 文件，模型](https://docs.typesafe.ai/models) - [TypeSafe AI 文件，Jev 1.13 鋸齒度，2026年9月17日審閱](https://docs.typesafe.ai/model-jaggedness/jev-1.13) - [TypeSafe AI 文件，快速開始](https://docs.typesafe.ai/introduction/quickstart) - [Vercel，什麼是 Jev，TypeSafe AI 的 System One 模型？，2026年9月18日](https://vercel.com/i/what-is-jev) - [Vercel AI Gateway 文件，評估](https://vercel.com/docs/ai-gateway/modalities/evaluation) - [OpenRouter，TypeSafe：Jev 1.13](https://openrouter.ai/typesafe/jev-1.13/) ## Images ![女子在餐廳櫃檯查看平板上的圖表與資料](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNTYsInB1ciI6ImJsb2JfaWQifX0=--e6b978aedcb8b8e82ef1491cad6918fb7c29680e/ai-92117be8.webp) ![女子在咖啡廳查看平板上的圖表，旁邊疊加系統流程圖示](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjEwNjMsInB1ciI6ImJsb2JfaWQifX0=--595ff001fb75deadb34c8a35159d13264fa08279/ai-2475489e.webp)