Jev 模型国内使用完整教程:用 /v1/responses 接入 TypeSafe System One 决策模型

Jev模型详解:从本地部署到Codex接入与数据系统构建 大语言模型正在从单纯的文本生成走向复杂任务的自动化执行,而Jev正是这一趋势下的代表性模型之一。它基于Transformer架构,通过指令微调与人类反馈对齐,在代码生成、长上下文理解和结构化输出方面表现突出。Jev的核心价值在于将自然语言理解、工具调用与多步任务编排融为一体,可作为高效编程代理的底层推理引擎,也能用于构建完整的数据处理管线。对于开发者而言,可通过官网申请API密钥,或选择本地部署轻量版以满足隐私与离线需求;同时,将Jev接入Codex能显著提升复杂代码库上的任务执行质量。本文结合斯坦福教授用 阅读详情

关键词:Jev 模型、Jev API、jev-1.13.0、TypeSafe System One、系统 1 决策模型、Jev 国内使用、Jev 第三方接口、Jev 教程、Jev 调试、置信度路由、结构化决策输出、api.new.bi


在这里插入图片描述

一、Jev 是什么:一个不写作文,只做判断的模型

Jev 是由 TypeSafe AI 发布的 System One(系统 1)决策模型。它的定位非常明确:不生成任何自由文本,只输出结构化判断结果。

用一句话概括它和普通大模型的区别:

传统大模型负责「生成内容」,Jev 负责「做判断」。

你把一份业务上下文 state 和一组问题 questions 提交给它,它会并行返回每个问题的判定结果——带概率、带置信度、带加权分数。结果可以直接喂给代码里的 if,不需要再写解析器去猜模型想说什么。

这就是 TypeSafe System One 决策模型 被称作「机器原生决策」的原因:它的输出天然是给程序读的,而不是给人读的。

Jev 的核心特征

特征说明
无自由文本输出返回纯结构化 JSON,无需后处理
一次多问一个请求提交多组 questions,并行独立判定
概率化结果每个问题返回概率分布 + 置信度
面向工程可直接嵌入业务逻辑,做高频决策任务
当前版本jev-1.13.0(别名 jev-latest)

Jev 适合做什么

  • 工单路由:一条工单同时判「是否退款 + 归属团队 + 紧急度」
  • 内容安全:违规判定 + 违规类目分类
  • 意图分类:客服对话意图识别、满意度打分
  • 风险打分:Agent 工具调用前的操作风险评级
  • 置信度路由:低置信度结果自动转人工

二、Jev 国内使用:为什么需要第三方接口

Jev 官方只提供原生接口与 SDK,国内开发者实际接入时会遇到几个现实问题:

  1. 直连体验不稳定,官方 SDK 需要单独配置
  2. 计费口径与现有系统不统一,你的项目可能已经在用一套统一账单
  3. 协议不统一,团队里有的服务用 OpenAI 风格,有的用 Anthropic 风格
  4. 调试成本高,出问题只能看到一句模糊报错,没有本地日志

所以「Jev 第三方接口」成了很自然的选择:找一个兼容 OpenAI / Anthropic 协议、统一计费、可观测的中转网关,把 Jev 当成普通模型挂进来。

api.new.bi 就是这样一个网关。


三、为什么推荐用 api.new.bi 接入 Jev

api.new.bi 是一个 AI API 网关,聚合多家上游模型,用统一的 OpenAI / Anthropic 兼容协议对外提供服务。把 Jev 模型接进 api.new.bi,你能直接拿到这些好处:

优势具体表现
双协议支持同一模型同时提供 /v1/responses 与 /v1/messages,团队用什么风格都能接
统一鉴权一把 sk- 密钥访问全部模型,不用为 Jev 单独管一把 key
精确按量计费token 用量取自上游真实值,与上游账单一致,不估算
可观测每次调用都有日志,Jev 调试时能直接查到请求、响应、token 与耗时
免改代码OpenAI SDK / Anthropic SDK 直接指向 api.new.bi 即可

对国内团队来说,把 Jev API 挂到 api.new.bi 上,是接入成本最低、后续最好维护的方式。


四、接入准备

1. 获取密钥

在 api.new.bi 控制台创建一个令牌,形如:

sk-xxxxxxxxxxxxxxxxxxxxxxxx

2. 确认端点

api.new.bi 上调用 jev-1.13.0,推荐使用 /v1/responses:

POST https://api.new.bi/v1/responses
Authorization: Bearer sk-xxxxxxxx
Content-Type: application/json

重点提醒:请使用 /v1/responses,不要用 /v1/chat/completions。
原因见第八节「计费」——后者会导致 token 用量统计失准。


五、/v1/responses 请求参数详解

顶层参数

参数类型必填说明
modelstring是固定填 jev-1.13.0
inputany是占位字段,填任意非空值即可(如 "placeholder")。Jev 不使用该字段
statestring | object | array是待判定的业务上下文
questionsobject是判定问题集合

input 只是为了让网关的请求校验通过,不参与判定,可以直接填 "placeholder"。

state:把业务数据原样丢进去

state 支持三种形态,推荐对象形态,因为不需要你拼接长文本:

纯文本(适合用户原话):

"state": "用户:结账页面点击支付后一直空白,换了两个浏览器都不行"

对象(适合业务原始数据,推荐):

"state": {
  "message": "订单 A-104 被扣两次钱,请退还重复扣费",
  "policy": "重复扣款符合退款条件",
  "order": { "charges": [49, 49] }
}

数组(适合多轮反馈的聚合):

"state": [
  "第一次反馈:支付后页面空白",
  "第二次反馈:仍然无法支付,已影响全天订单"
]

questions:三种问题类型

这是 Jev 最有价值的设计——同一个请求里可以混用三种问题类型,并行计算。

类型一:noul —— 是非判定

输出「是」的概率,取值 0~1。

"is_refund": {
  "type": "noul",
  "instructions": "用户是否在申请退款",
  "criteria": {
    "true": "用户明确提出退款诉求",
    "false": "没有退款请求"
  }
}
字段必填类型说明
type是string"noul"
instructions是string判定指令,必须提供
criteria否objecttrue / false 的语义边界

常见错误:只写 criteria 不写 instructions,会直接报错。

类型二:choice —— 单选分类

从枚举选项里选一个,并返回全选项概率分布与置信度。

"department": {
  "type": "choice",
  "instructions": "该工单应交给哪个团队处理",
  "criteria": {
    "billing": "账单、发票、退款相关",
    "technical": "功能缺陷、集成故障",
    "account": "账号登录、资料问题"
  }
}
字段必填类型说明
type是string"choice"
instructions否string判定指令
criteria是objectkey 为选项标识,value 为语义说明。1~255 个选项
类型三:score —— 有序等级打分

输出概率加权后的连续分数,可以落在两个等级之间。

"frustration": {
  "type": "score",
  "instructions": "客户情绪严重程度",
  "criteria": ["平静", "沮丧", "非常愤怒"]
}
字段必填类型说明
type是string"score"
instructions否string判定指令
criteria是array顺序即等级(下标 0、1、2……)。2~10 个等级

参数速查表

类型criteria 类型数量限制额外必填
noulobject(可选)—instructions
choiceobject1~255criteria
scorearray2~10criteria

choice 用对象、score 用数组,写反会报错。


六、返回结果详解

完整返回结构

{
  "model": "jev-1.13.0",
  "answers": {
    "is_refund": {
      "type": "noul",
      "noul": 0.96
    },
    "department": {
      "type": "choice",
      "choice": "billing",
      "confidence": 0.88,
      "probabilities": { "billing": 0.91, "technical": 0.05, "account": 0.04 }
    },
    "frustration": {
      "type": "score",
      "score": 1.2,
      "confidence": 0.71,
      "legend": { "0": "平静", "1": "沮丧", "2": "非常愤怒" },
      "probabilities": { "0": 0.1, "1": 0.7, "2": 0.2 }
    }
  },
  "usage": {
    "input_tokens": 1970,
    "output_tokens": 70
  }
}

各类型输出字段

类型输出字段
noulnoul(0~1 概率,无 confidence)
choicechoice、probabilities、confidence
scorescore、legend、probabilities、confidence

三个解析要点

① legend 是对象,不是数组

"legend": { "0": "平静", "1": "沮丧", "2": "非常愤怒" }

② score 的 probabilities 也是对象

"probabilities": { "0": 0.1, "1": 0.7, "2": 0.2 }

③ answers 的键顺序不固定

返回顺序按字典序重排,与你在 questions 里的书写顺序无关。一律按问题 ID 取值,不要依赖下标。

usage

字段说明
input_tokens输入 token,计费依据
output_tokens输出 token

经 api.new.bi 的 /v1/responses 调用时,这两个值与上游真实用量完全一致。


七、完整调用示例

curl

curl -X POST 'https://api.new.bi/v1/responses' \
  -H "Authorization: Bearer $API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "jev-1.13.0",
    "input": "placeholder",
    "state": {
      "message": "订单 A-104 被扣两次钱,请退还重复扣费",
      "policy": "重复扣款符合退款条件",
      "order": { "charges": [49, 49] }
    },
    "questions": {
      "is_refund": { "type": "noul", "instructions": "用户是否在申请退款" },
      "department": {
        "type": "choice",
        "instructions": "该工单应交给哪个团队处理",
        "criteria": {
          "billing": "账单、发票、退款相关",
          "technical": "功能缺陷、集成故障",
          "account": "账号登录、资料问题"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "客户情绪严重程度",
        "criteria": ["平静", "沮丧", "非常愤怒"]
      }
    }
  }'

Python(OpenAI SDK)

因为 /v1/responses 是 OpenAI 协议族端点,可以直接用官方 OpenAI SDK,只需把 base_url 指向 api.new.bi,并用 extra_body 传入 Jev 专有字段:

from openai import OpenAI

client = OpenAI(
    base_url="https://api.new.bi/v1",
    api_key="sk-xxxxxxxx",   # api.new.bi 令牌
)

resp = client.responses.with_raw_response.create(
    model="jev-1.13.0",
    input="placeholder",
    extra_body={
        "state": {
            "message": "订单 A-104 被扣两次钱,请退还重复扣费",
            "policy": "重复扣款符合退款条件",
        },
        "questions": {
            "is_refund": {"type": "noul", "instructions": "用户是否在申请退款"},
            "department": {
                "type": "choice",
                "instructions": "该工单应交给哪个团队处理",
                "criteria": {
                    "billing": "账单、发票、退款相关",
                    "technical": "功能缺陷、集成故障",
                },
            },
            "frustration": {
                "type": "score",
                "instructions": "客户情绪严重程度",
                "criteria": ["平静", "沮丧", "非常愤怒"],
            },
        },
    },
)

data = resp.http_response.json()   # Jev 原生返回结构
answers = data["answers"]

print(answers["is_refund"]["noul"])          # 0.96
print(answers["department"]["choice"])       # billing
print(answers["frustration"]["score"])       # 1.2

用 with_raw_response 是为了直接拿到 Jev 的原生 answers 结构,避免 SDK 按标准 Responses 结构解析。

Python(requests,最直接)

import requests

def jev(state, questions, key):
    r = requests.post(
        "https://api.new.bi/v1/responses",
        headers={"Authorization": f"Bearer {key}"},
        json={
            "model": "jev-1.13.0",
            "input": "placeholder",
            "state": state,
            "questions": questions,
        },
        timeout=60,
    )
    r.raise_for_status()
    return r.json()

data = jev(
    state="用户:结账页面点击支付后空白,换了两个浏览器都不行",
    questions={
        "is_bug": {"type": "noul", "instructions": "用户是否在上报产品缺陷"},
    },
    key="sk-xxxxxxxx",
)

print(data["answers"]["is_bug"]["noul"])
print(data["usage"]["input_tokens"])

JavaScript

const res = await fetch('https://api.new.bi/v1/responses', {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${process.env.API_KEY}`,
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
    model: 'jev-1.13.0',
    input: 'placeholder',
    state: '用户:结账页面点击支付后空白',
    questions: {
      is_bug: { type: 'noul', instructions: '用户是否在上报产品缺陷' },
    },
  }),
})

const { answers, usage } = await res.json()
console.log(answers.is_bug.noul, usage.input_tokens)

结果消费:把判定接进业务逻辑

a = data["answers"]

# 是非判定:卡阈值
if a["is_refund"]["noul"] > 0.8:
    open_refund_flow()

# 单选分类:置信度双闸门,低了转人工
dept = a["department"]
if dept["confidence"] > 0.7:
    assign_to(dept["choice"])
else:
    assign_to_human(question_id="department")

# 等级打分:取加权分数
if a["frustration"]["score"] >= 1.5:
    mark_urgent()

八、计费:为什么必须用 /v1/responses

这是 Jev 第三方接口调试中最容易踩的坑,单独说明。

api.new.bi 按输入 token 计费,依据是上游返回的真实 usage。而 Jev 返回的 token 字段名是:

"usage": { "input_tokens": 1970, "output_tokens": 70 }

/v1/responses 的协议规范里使用的正是 input_tokens / output_tokens,因此网关能精确读取真实用量。

而 /v1/chat/completions 的规范字段是 prompt_tokens / completion_tokens,Jev 不返回这两个字段,网关取不到值后会退化为估算——实测同一份 state 下:

端点统计到的输入 token
/v1/responses1970(真实值)
/v1/chat/completions9(估算值,严重偏离)

结论很直接:

调用 Jev API,请使用 /v1/responses。
用 /v1/chat/completions 会导致计费与上游账单严重不一致。

关于输出计费:output_tokens 在 /v1/responses 下会被正确统计。如果你的业务希望与上游「输出免费」的口径保持一致,可以在 api.new.bi 中把该模型的补全倍率调低或设为 0。


九、核心场景案例

案例 1:工单智能路由

一次请求拿到三个判定,替代三次串行调用。

{
  "model": "jev-1.13.0",
  "input": "placeholder",
  "state": {
    "ticket": "订单 A-104 被扣两次钱,请退还重复扣费,已经等了两天没人回",
    "policy": "重复扣款属于退款条件",
    "order": { "charges": [49, 49], "waited_hours": 48 }
  },
  "questions": {
    "is_refund": { "type": "noul", "instructions": "用户是否在申请退款" },
    "department": {
      "type": "choice",
      "instructions": "该工单应交给哪个团队",
      "criteria": {
        "billing": "账单、发票、退款",
        "technical": "功能缺陷、集成故障",
        "account": "账号与资料问题"
      }
    },
    "priority": {
      "type": "score",
      "instructions": "处理优先级",
      "criteria": ["低", "中", "高", "紧急"]
    }
  }
}

价值:不用写分类规则、不用训练分类模型,一次调用完成分流 + 优先级排序。

案例 2:内容安全判定

noul 做闸门,choice 定违规类目。

{
  "model": "jev-1.13.0",
  "input": "placeholder",
  "state": "用户提交的评论:<待审文本>",
  "questions": {
    "is_violation": { "type": "noul", "instructions": "内容是否违反社区规范" },
    "category": {
      "type": "choice",
      "instructions": "违规类目",
      "criteria": {
        "spam": "垃圾营销",
        "harassment": "人身攻击",
        "adult": "成人内容",
        "normal": "无违规"
      }
    }
  }
}

价值:is_violation 阈值可调召回率,probabilities 可用于人工复审队列排序。

案例 3:Agent 工具调用前的风险校验

{
  "model": "jev-1.13.0",
  "input": "placeholder",
  "state": {
    "user_request": "把上个月的报表全部删掉",
    "pending_tool_call": {
      "name": "delete_reports",
      "args": { "period": "last_month", "scope": "all" }
    },
    "policy": "删除类工具需要用户显式确认,且不允许批量删除"
  },
  "questions": {
    "should_execute": { "type": "noul", "instructions": "该工具调用是否应直接执行" },
    "risk": {
      "type": "score",
      "instructions": "该操作的风险等级",
      "criteria": ["安全", "低风险", "高风险", "危险"]
    }
  }
}

价值:给 Agent 加一层可量化的护栏,比让模型「自己想一想」稳定得多。

案例 4:客服意图分类与满意度质检

{
  "model": "jev-1.13.0",
  "input": "placeholder",
  "state": "客服通话转写:<通话文本>",
  "questions": {
    "intent": {
      "type": "choice",
      "instructions": "客户主诉意图",
      "criteria": {
        "cancel": "要退订/解约",
        "complaint": "投诉体验",
        "consult": "咨询产品",
        "renew": "要续费"
      }
    },
    "satisfaction": {
      "type": "score",
      "instructions": "客户满意度",
      "criteria": ["很不满意", "不满意", "一般", "满意", "很满意"]
    }
  }
}

案例 5:结构化字段抽取

需要从非结构化文本得到确定值时,用 choice 把选项写成枚举,比让生成模型吐 JSON 可靠得多。

{
  "model": "jev-1.13.0",
  "input": "placeholder",
  "state": "邮件正文:<邮件文本>",
  "questions": {
    "urgency": {
      "type": "choice",
      "instructions": "紧急程度",
      "criteria": { "p0": "需立即处理", "p1": "当日处理", "p2": "本周处理" }
    },
    "needs_reply": { "type": "noul", "instructions": "是否需要人工回复" }
  }
}

十、Jev 调试与排错速查

在 api.new.bi 上做 Jev 调试,可以直接在日志里看到完整请求与响应,配合下表定位问题。

报错原因解决
model, state and questions are required顶层必填参数缺失补全 model / state / questions
input is required/v1/responses 缺少 input填 "placeholder"
state must be a string, object or arraystate 传了数字等非法类型改为字符串 / 对象 / 数组
question "q" has unsupported type "xxx"type 非法只能是 noul / choice / score
question "q" needs instructions or criterianoul 缺 instructions补上 instructions
needs criteriachoice 缺 criteria补上选项对象
must be an object with 1 to 255 optionschoice 的 criteria 写成了数组改为对象
score criteria must be an array of 2 to 10 levelsscore 的 criteria 写成了对象,或等级数越界改为 2~10 项的数组
max_tokens_exceeded单条 state + question 超 32k token拆分上下文
Token not provided缺少 Authorization 头补 Authorization: Bearer sk-...
无可用渠道(distributor)该路径未配置路由在渠道的「高级自定义路由」中补充对应 incoming_path

三个最常见的调试误区

误区 1:串行提问

很多人受「省 token」习惯影响,一次只问一个问题,连发三次请求。Jev 的设计就是一次问多组,并行判定不额外增加往返延迟,串行反而浪费时间和调用次数。

误区 2:以为需要写解析器

Jev 输出结构化 JSON,直接取值即可,不需要正则或二次模型解析。

误区 3:用 /v1/chat/completions 调试后对不上账

这是计费失准的根源,请统一用 /v1/responses(或 /v1/messages)。


十一、限制与注意事项

项限制
上下文总长64k token
state + 单条 question32k token
输入模态仅文本,不支持图片 / 音频 / 视频
训练语言以英文为主,中文可用但建议自测精度
score 等级数2~10
choice 选项数1~255
速率250k token/s,1200 请求/分钟(动态调整)

无效参数:temperature、max_tokens、stream、response_format 等生成式参数对 Jev 无意义。传 stream: true 也不会返回 SSE 流,始终返回单个 JSON 对象。


十二、FAQ

Q1:Jev 在国内怎么用?
A:通过 api.new.bi 这类兼容 OpenAI / Anthropic 协议的网关接入最省事。把 base_url 指向 https://api.new.bi/v1,用 sk- 令牌鉴权,模型填 jev-1.13.0 即可,无需改业务代码结构。

Q2:Jev 会生成文字吗?
A:不会。Jev 是 System One 决策模型,只输出结构化判定结果(概率、选项、分数、置信度),没有任何自由文本。

Q3:用 OpenAI SDK 能调 Jev 吗?
A:可以。用 /v1/responses 端点,base_url 设为 https://api.new.bi/v1,Jev 专有参数通过 extra_body 传入。

Q4:应该用哪个端点?
A:/v1/responses 或 /v1/messages 都可以,两者实测行为一致。不要用 /v1/chat/completions,会导致 token 统计与计费失准。

Q5:noul 和 choice 的 criteria 有什么区别?
A:noul 的 criteria 是可选对象,且必须同时提供 instructions;choice 的 criteria 是必填对象(1~255 个选项)。

Q6:为什么 score 的返回值可以是小数?
A:score 是概率加权后的连续分数,可以落在两个等级之间,例如 1.2 介于「沮丧」和「非常愤怒」之间。

Q7:一次能问多少个问题?
A:单个请求可提交多组 questions,三类问题可自由混用、并行计算。注意问题之间互相不可见,不能做链式推理。

Q8:Jev API 计费怎么算?
A:按输入 token 计费,依据 /v1/responses 返回的 input_tokens,与上游真实用量一致。output_tokens 也会被统计,可通过补全倍率调整。


十三、总结

  • Jev 是 TypeSafe AI 的 System One 决策模型:不生成文本,只输出结构化判断
  • 它适合工单路由、内容安全、意图分类、风险打分、置信度路由等判定类场景
  • 国内接入 Jev API,推荐通过 api.new.bi:双协议兼容、统一鉴权、精确计费、日志可观测
  • 调用端点是 /v1/responses,参数只需 model + input + state + questions
  • questions 支持 noul(是非)/ choice(单选)/ score(打分) 三类混用、并行判定
  • 记住那个坑:别用 /v1/chat/completions

一句话落地:把 Jev 挂到 api.new.bi 上,用 /v1/responses 调,一次请求拿到全部判定结果。


本文关键词:Jev 模型、Jev API、jev-1.13.0、TypeSafe System One、系统 1 决策模型、Jev 国内使用、Jev 第三方接口、Jev 教程、Jev 调试、置信度路由、结构化决策、AI API 网关、Jev 接入、Jev 调用示例

Jev模型是什么?本地部署与Codex接入实战指南 大语言模型(LLM)正从通用聊天向垂直工作流演进,编码、数据分析与Agent自动化成为落地重点。本地部署作为数据隐私与成本控制的关键路径,正受到开发者广泛关注。以Jev为代表的开源模型,凭借代码理解、数据处理及原生的function calling能力,可在消费级硬件上通过Ollama等推理运行时高效运行,并提供OpenAI兼容接口,轻松接入Codex、Continue等编程工具。无论是代码补全重构、表格数据清洗,还是搭建RAG知识库问答、作为Agent底座执行自动化任务,Jev都展现出工程化价值。本文梳理 阅读详情

相关推荐

Jev开源大模型详解:从本地部署到Codex接入的实操指南

大语言模型正在从单纯的内容生成走向真实的任务执行,其核心变化在于模型能否理解目标、拆解步骤并调用工具完成操作。Jev 作为一款开源大模型项目,凭借对消费级硬件的适配和量化优化,让“jev 本地部署”和“jev windows 部署”成为开发者关注的热点。无论是通过“jev 密钥”接入云端 API,还是在“jev 在 codex 中使用”的编程 Agent 框架中充当推理后端,Jev 都展现出较强的动手能力。同时,社区提供的“jev 聊天助手 github”项目让终端对话更加便捷,而“斯坦福教授用 jev 构

weixin_28718345的博客 326

Jev 深度技术分析:一种专为 AI Agent 设计的决策模型

Jev 是 TypeSafe AI 于 2026 年 9 月 15 日推出的新型人工智能模型。与 ChatGPT、Claude、DeepSeek 等主要生成文字的大语言模型不同,Jev 专注于快速、低成本地作出结构化决策,尤其适合 AI Agent、业务流程自动化、智能路由和分类系统。它的核心理念是:大语言模型负责理解、推理和生成内容,Jev 负责在预先定义的选项中作出决策,并提供概率和置信度。价格和性能为发布时的官方数据,延迟取决于网络、请求规模及实际运行环境。

AngelCryToo的专栏 705

Jev模型接入TypeSafe:/v1/responses结构化决策实践

结构化输出与JSON Schema约束,是大模型从“聊天生成”走向“可编程决策”的基础能力。其原理是在接口层声明字段、类型、枚举和必填项,让模型输出收敛为可校验结构,再通过运行时校验拦截结构、类型与语义错误。技术价值在于降低JSON解析兜底和静默类型错误风险,提高决策结果的可复现性、可审计性与下游系统消费效率。典型应用包括工单路由、审批分级、风控要素判断等需要离散结论的场景。围绕这一思路,Jev模型接入TypeSafe System One时采用/v1/responses承载结构化决策,把推理摘要与最终产物

weixin_33881140的博客 449

Jev模型详解:AI的“系统一”决策革命

Jev是TypeSafeAI于2026年9月推出的“系统一模型”,基于卡尼曼快慢系统理论,专精快速、直觉式结构化决策,不生成文本,直接在隐状态上对预定义选项打分。其核心优势在于跳过自回归解码,实现分类任务最高提速193.6倍、成本降至约1/445。支持并行处理多问题,响应仅70–500毫秒,适用于路由、审核、自动化等高频判断场景。虽存在精度与校准挑战,但已催生大量开源复现(如Laya、Decider),推动智能体“判断”与“生成”解耦。Jev代表了智能体架构范式革新:当决策成本趋近于零,智能用量将爆发增长。

ASS-ASH的博客 625

高通AI Engine SDK(QNN)使用教程(环境配置、模型转换、量化、推理、分析)

高通AI Engine使用教程

weixin_51031772的博客 1万+

Jetson Nano 【1】入手开箱、烧系统

类似于半开箱哈哈 怀着小期待的心情,屁颠屁颠跑到村口领快递,拿到了这个香喷喷的Jetson Nano 开发板 开箱: 由于太激动了忘记拍点啥,于是在最后留了张全家福 板子的结构: 我觉得这个有必要记录一下,于是去官方文档拿了张图来:官方文档传送 1=SD card 的卡槽,位于第二层板子的背部,也就是大风扇屁股位置 2=40针扩展接头(还没开用) 3=USB的供电口,根据大佬测试(某哩...

椰子奶糖的博客 4198

JEV 模型深度解析:不生成文本的 System One 决策模型(原理 / 性能 / 工程落地)

JEV 不生成文字,只输出结构化判断(是/否、多选一、评分)+ 校准概率。延迟 70–500ms、结构化错误率数学上为 0、成本为前沿 LLM 的 1/76。适合 Agent 循环中的高频决策位点(路由 / 闸门 / 评判),不适合需要生成文字或复杂推理的场景。核心纪律:把 questions 当代码对待。

慌途L 509

【WILEY】从Revision到Online:逐层拆解投稿状态更新与关键文件提交实战

本文详细解析了学术论文从返修到在线发表的全过程,重点拆解了投稿系统状态更新背后的含义与应对策略。文章提供了返修稿与回复信的准备技巧、关键补充文件(如图文摘要)的提交要点,并分享了校对校样与处理出版协议的实战经验,帮助作者高效、专业地完成发表流程。

weixin_29209805的博客 715

AxonHub System One API:通过 /v1/systemone 调用 TypeSafe Jev 决策推理模型

AxonHub 原生支持 **System One** 决策推理 API,首发对接 TypeSafe 的 **Jev** 决策模型。System One 源于认知心理学中的"系统 1"思维(快速、直觉式、确定性决策):与逐 token 生成自由文本的常规生成式 LLM 不同,它面向结构化输入状态,输出快速、经过校准的概率化判断与分类。System One 是与 OpenAI Chat Comple

gitblog_00851的博客 307

从UART到RS485:手把手教你用SIT3485E收发器搞定工业级通信(含原理图与PCB布局要点)

本文详细解析了从UART到RS485的工业级通信转换,重点介绍了SIT3485E收发器的原理图设计、PCB布局要点及抗干扰技巧。通过差分信号传输和优化电路设计,实现长距离、多设备稳定通信,适用于工业自动化等复杂环境。

weixin_29169505的博客 353

快速玩转 Llama2!机器学习 PAI 最佳实践(一)—低代码 Lora 微调及部署

本实践将采用阿里云机器学习平台PAI-快速开始模块针对 Llama-2-7b-chat 进行开发。PAI-快速开始支持基于开源模型的低代码训练、布署和推理全流程,适合想要快速开箱体验预训练模型的开发者。

阿里云云栖号 1767

决策模型接入实战:/v1/responses类型安全与错误降级

接口契约与类型安全是模型服务接入的基础能力:通过JSON Schema定义请求/响应结构,再用TypeScript静态类型和Pydantic运行时校验形成双层防线,可把字段缺失、类型漂移和枚举误判从运行时前移到编译期与解析入口。统一端点还能把模型切换、流式SSE解析、幂等重试和错误降级收敛到同一套调用层,提升私有化环境下的可观测性与可回放能力。该思路适用于信贷审批、风控决策等有业务后果的场景。围绕TypeSafe System One在Jev网关下通过/v1/responses接入的工程实践,重点落在sch

weixin_31881651的博客 235

线性自抗扰控制(LADRC)系统算法框图

NLADRC自抗扰控制从Simulink仿真到PLC控制实现_自抗扰控制器 simulink仿真-优快云博客本文介绍了如何将ADRC自抗扰控制算法从Simulink仿真应用到PLC控制中,包括Simulink框图、TD微分器模型、MATLAB函数的使用、SCL控制代码,以及非线性状态误差反馈控制率的实现。提供了详细的MATLAB仿真步骤和PLC源代码链接。ADRC自抗扰控制算法(含梯形图完整源代码和算法公式)_adrc算法-优快云博客。

RXXW_Dor的博客 1467

Upscayl免费开源AI图像放大器:3步把模糊照片放大4倍

你想把一张家庭照拿去冲印,原图却只有500像素宽,打印出来发糊;或者收到的素材图太小,铺满页面就模糊。Upscayl 是一款免费开源的AI图像放大桌面工具,它用 Real-ESRGAN 模型把低分辨率图片放大4倍,同时补上细节,Linux、macOS、Windows 三个系统都能跑。 ## 一句话看懂 Upscayl 的定位 **Upscayl 是一个免费开源(AGPL-3.0 协议)的AI图

gitblog_00569的博客 176

《YOLOv8:从入门到实战》专栏介绍 & 专栏目录

本专栏涵盖了丰富的YOLOv8算法从入门到实战系列教程,专为学习YOLOv8的同学而设计,堪称全网最详细的教程!🌈🌈🌈

小哥谈 6491

仿真学习系列(四十七):Sigrity仿真之直流压降与电流密度

在现代电子设计中,电源网络的设计和分析对于保证电路的稳定性至关重要。直流压降(IR-Drop)和电流密度是评估电源网络性能的关键参数,尤其是在高频和高速电路中。它们直接影响到设备的工作稳定性与效率。通过Sigrity的仿真工具,可以深入分析和优化这些电源特性,从而确保系统的可靠性。 本节将介绍直流压降和电流密度的基本概念,以及如何在Sigrity中使用PowerDC模块进行相关仿真。

案例文章,高速信号 515

res-downloader:从播放到入库,一次代理设置抓下酷狗 FLAC 无损

res-downloader 用本地 MITM 代理抓取酷狗、QQ音乐等平台的音视频流,适合想把 FLAC 无损音乐本地存档的人。 ## 原始流是怎么拿到的 先说清楚原理,再谈操作。res-downloader 的实现是一套典型的证书代理抓包方案,由四部分组成: - **CA 证书**:软件内置自签名 CA,导出 `cert.crt` 证书文件。该证书被系统信任后,代理才能检视 HTTPS

gitblog_00503的博客 239

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

TypeSafe AI推出System One模型与Jev:速度提升百倍,成本大幅降低!

与现有大语言模型相比,System One + Jev在优化方式、优化目标、输入、输出、采样方式、成本、速度、置信度和应用场景等方面都有显著差异。例如,现有大语言模型基于人类反馈的强化学习或基于可验证奖励的强化学习进行优化,而System One + Jev采用校准决策强化学习;多年来,模型在聊天方面表现超越人类,但自动化应用未普及。2026年9月15日,TypeSafe AI正式推出首个System One模型,这是一类全新的前沿模型,专为快速做出结构化决策而设计,生成的结果可直接供软件使用。

IT界那些事儿 521

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Jev模型是什么?TypeSafe AI 的结构化决策模型

本文介绍 Jev 的模型定位、输出类型、接入方式和官方评测口径。 TypeSafe AI 的发布文章和官方文档是本文的主要资料来源。

lmy0207020的博客 292

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Jev:不写一个字、只做判断的 TypeSafe System One 模型

obsidian。

feixiang_9的博客 736

【学习笔记-一文读懂系列】一文读懂Jev模型

Jev是由前OpenAI研究员Diogo Almeida创立的判别式模型,不生成文本,仅以单次前向计算输出选择题概率,实现毫秒级、低成本的决策判断。其三大原语(Choice、Score、Noul)专用于分类、评分与二元判断,广泛应用于工单分流、风险评估、输出校验等场景。上线24小时即被13%付费团队采用,开源竞品Laya三天获8820星。它颠覆了“大模型写文章”的路径,专注系统级决策,推动智能体架构向“轻量判别+生成”分工演进,真正践行“Building prod, not God”。

tpriwwq的专栏 441

Jev 怎么用:三种提问原语与分层阈值

这是官方为 coding agent 准备的技能包,装了之后 agent 知道请求和响应的形状——官方特别提到,agent 比人更容易犯「一次只问一个问题」的毛病,这个技能会教它一次多问。Jev 是专门训练过校准的模型,理论上应该好得多,但「把阈值抄过来直接用」这件事在任何模型上都不可靠——先在你的数据上量一遍。Noul:是/否判断。你给它一段非结构化内容(一段工单、一封邮件、一份简历、一个 JSON 状态),再加若干「问题」,它返回每个问题的答案——不是字符串,是类型安全的取值,外加概率分布和置信度。

2611_96939413的博客 1012

Jev模型是什么?从Codex接入到本地部署全攻略

大语言模型正从通用对话走向垂直场景落地,推理能力成为衡量其工程价值的关键指标。Jev模型正是以复杂推理和代码生成为核心的新一代大语言模型,它不仅能理解项目上下文,还能像资深工程师一样拆解多步骤任务,在Agent式开发、数据系统搭建与逻辑分析等场景中表现出色。随着开发者社区对“jev在codex中使用”和“jev本地部署”的关注持续升温,如何申请官方资格、接入Codex环境、完成Windows本地部署成为实操热点。本文从概念原理出发,梳理Jev的技术定位、能力边界与上手路径,并结合实际部署中的硬件要求、量化选

weixin_32377497的博客 290

Jev是什么?为什么那么受欢迎,我们怎么接入使用它?

Jev 是 什么?怎么接入?

2501_91974676的博客 464

C# 调用 Jev 决策,TaoToken 统一 Key 入口

C# 调用 Jev 决策时,401、404 与 JSON 解析失败常卡在 Key、Base URL、环境变量。本文用 TaoToken 统一 Key 入口,给出 HttpClient 样例、TaoTokenOptions 配置、Secret 注入,并拆解 401、404、429 排查。官网入口:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35835030的博客 187

ChatGPT 共同发明者携 4000 万融资回归,Jev 模型叫板大模型技术范式!

AI 圈子里,前 OpenAI 研究员、ChatGPT 的共同发明者 Diogo Almeida,在潜行两年后带着他的新公司 TypeSafe AI 和 4000 万美元融资回到大众视线。他们发布的全新模型 Jev,与常规认知大相径庭,既不能写周报,也不能陪聊,甚至连一个标点符号都吐不出来。过去三年,全行业都在教大模型学会像人类一样“慢思考”,让模型在给出答案前默默自言自语几千个词。但 Jev 却反其道而行之,它不做文本生成,只输出确定性的结构化决策,这更像是对当前大模型技术范式的一次公然叫板。要理解 Je

IT界那些事儿 129
上一篇: GPT-6 Sol / GPT-6-Luna 模型能力解析、成本测算与 OpenAI 兼容网关实战测试
下一篇: 2026最新Jev 决策模型:核心优势与多行业应用场景配置API教程
Sub2AI
博客等级 码龄1年 45粉丝 12原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值