今天新出的挺有意思的 AI 模型： TypeSafe Jev

[bingkunzhao]

最近在整理 LLM API Prices https://llmapiprices.com/ 的模型数据时，关注到了 TypeSafe AI 推出的 Jev 。TypeSafe AI 推出的 Jev ，思路和 GPT 、Claude 这类大模型不太一样。

它不主打聊天和长文本生成，而是专门做结构化决策：你提前定义好选项，Jev 返回每个选项的评分和概率。

比如：

PASS 0.92
FAIL 0.06
NEEDS_REVIEW 0.02

这种方式特别适合 AI Agent 、任务路由、内容分类、自动审核、风险判断等场景。

官方公布的性能最高可达 250K tokens/s 、1,200 RPM 。

如果你正在做 Agent 或自动化工作流，这个项目值得看看。

[lany]

非常有趣

[kaiju]

比带 constrained decoding 的 llm 强在哪里

[bingkunzhao]

LLM 做真正需要复杂推理和生成的事情，Jev 做大量简单但需要 AI 判断的事情。

这其实和 Agent Harness 非常契合。

如果你正在学习自己写 Agent ，建议你把 TypeSafe/Jev 当成一个案例来理解：为什么 Agent 不应该什么事情都扔给一个大 LLM ，而应该把任务拆成“代码 + 小判断 + 大模型推理 + Tool”。
TypeSafe 自己甚至专门展示了 Agent Trace Observability 场景：读取 Agent 的 instructions 、conversation 、tool calls 、tool results 、final message 和用户反馈，然后输出 AUTO-CLOSE / HUMAN REVIEW / PRIORITY REVIEW / FILE ISSUE / PAGE ON-CALL 等结构化决策。
可以把他理解成一个判断的工具。

[bingkunzhao]

它可以参与图像应用的后续判断：
图片 → 视觉模型提取信息 → Jev 分类、打分或选择处理路径 → 程序执行或交给人工
比如商品图质检：视觉模型先识别图片里有没有划痕、缺件； Jev 再根据规则选择“通过、重拍、人工复核”。或者界面自动化：视觉模型读出截图中的按钮和页面状态，Jev 从允许的操作中选择下一步。
因此：
- 图片生成、修图、OCR 、物体识别：需要图像模型或图像处理工具，Jev 目前不能单独完成。
- 大量图片需要反复分类、审核、分流：Jev 可以作为判断环节；实际效果仍要用自己的样本验证。
- 只处理少量图片：接入整套流程可能不划算，直接用视觉模型或人工更简单。
它对图像产品的价值主要在“判断之后该走哪条流程”，不是直接处理图像。