Jev 决策模型价格与调用：0.042 美元输出免费附示例

Jev 是 TypeSafe AI 出品的 System One 决策模型：不生成文本，只对预设选项返回概率。价格是每百万输入 token 0.042 美元、输出免费，官方 API 自 2026 年 9 月 21 日起公开（无需等待名单），注册登录送 10 万 token 试用。接入分 4 步：注册拿 Key、构造 questions 请求、调用 API、按阈值消费结果。

Jev 是什么：只做判断、不生成文本的模型

Jev 由 TypeSafe AI 于 2026 年 9 月 15 日发布，定位是卡尼曼《思考，快与慢》里的「System One」模型：快思考、直接出答案。它只回答带预设选项的三种题型：

1. choice：单选，从你给的候选项里选一个并返回概率分布；
2. score：打分，按你给的分档标准对输入打分；
3. noul：是非题，返回 0 到 1 的概率值。

它不做的事同样重要：不写作文、不解释推理、不生成文本。返回的是给程序用的结构化结果，不是给人看的句子。

背景热度（媒体报道口径）：TypeSafe 获得 a16z 领投的 8.7 亿美元融资，估值来到 75 亿美元，发布 24 天估值翻约 37 倍；上线 3 天日处理 1 万亿 token；约三分之一的世界 500 强企业开始用它做决策，来源见新浪财经转引爱范儿报道。

Jev 价格怎么算：每百万输入 0.042 美元、输出免费

Jev 的定价模式很简单：

「输出免费」是决策模型和传统 LLM 最大的差异点：通用大模型按输入加输出双向计费，输出往往更贵；Jev 没有逐字生成环节，输出侧成本为零。

场景测算：假设 1 万条工单分类，每条工单平均携带 1000 token 上下文，合计 1000 万输入 token，成本约 0.42 美元（1000 万 × 0.042 美元 / 百万）。作为参照，Dext AI 负责人 Paolo Rosson 的公开估算为「1000 次判断约 7 美分」，来源见ZAKER 科技报道。

同类对比：OpenAI Decisions API 每百万输入 token 收 0.10 美元（同样输出免费，基于 GPT-6 Luna），Jev 便宜一半以上。站内已有 Mercury Decide 和 Jev 的 3 档成本测算，本篇聚焦 Jev 本体，不再重复算账。

怎么调用 Jev：接入渠道与 4 步流程

Jev 是闭源托管模型，没有公开权重、不能本地部署，只能调 API。接入渠道有两个：

1. TypeSafe 官方 API：2026 年 9 月 21 日起公开，无需等待名单，注册即可创建 Key；
2. Vercel AI Gateway：Jev 上线 24 小时内，AI Gateway 上约 13% 的付费团队试用过它，Vercel 生态内可直接接入。

调用流程 4 步：

1. 注册账号并创建 API Key，登录后获得 100,000 token 免费额度；
2. 按「state + questions」格式构造请求，一次请求可以打包多个题目；
3. 调用 API，指定模型别名 jev-latest；
4. 拿到结构化返回后，设置置信度阈值，决定自动执行还是转人工。

请求与返回结构长什么样

请求体是一个 JSON：state 是任意上下文（文本或应用状态），questions 是你想让它做的判断。以下是一个工单分流的请求示例（结构基于官方 API 文档镜像与开发者实测整理）：

{
  "model": "jev-latest",
  "state": "客户说账单被扣了两次，要求今天内退款。",
  "questions": {
    "team": {
      "type": "choice",
      "instructions": "这个工单该交给哪个团队？",
      "criteria": {
        "Billing": "发票、支付、订阅或退款相关",
        "Technical": "功能错误或产品故障",
        "Account": "登录、权限或账号设置"
      }
    },
    "urgent": {
      "type": "noul",
      "instructions": "这个问题需要今天处理吗？",
      "criteria": {
        "true": "今天有截止时间或业务影响",
        "false": "可以进常规队列"
      }
    }
  }
}

返回同样是 JSON，每个题目对应一个带概率的结构化结果：

{
  "team": {
    "choice": "Billing",
    "probabilities": { "Billing": 0.98, "Technical": 0.01, "Account": 0.01 },
    "confidence": 0.95
  },
  "urgent": {
    "noul": 0.9
  }
}

协议要点（以官方最新文档为准）：

1. choice 的候选项最多 255 个，每个候选项要写明判定标准；
2. score 的分档建议 2 到 10 档，每档写具体情景而不是抽象程度；
3. 官方推荐一次请求把所有题目打包发出，而不是逐个调用。

什么任务适合用 Jev

适合的场景都是「高频、小判断、答案空间有限」：

1. 工单分类与客服分流：判断工单属于哪个团队、是否紧急；
2. 模型路由：Agent 该调哪个模型、该走哪条链路；
3. Agent 分支控制：工具调用要不要放行、继续还是重试；
4. 内容审核与风险筛查：这条消息是否违规、是否含敏感要素。

不适合的场景：需要解释、推理过程、长文本输出的任务。这类需求请继续用通用大模型，可参考站内 OpenAI Decisions API 接入教程 和 Mercury Decide 模型介绍 横向对比。

提示方式注意事项：为什么你的判断会漏标

开发者 Aaron Roy 的公开反馈是：从 LLM 切到 Jev 后，沿用传统提示方式会导致重要邮件漏标。原因是 Jev 只按你显式定义的要素做判断，不会自动脑补。

实操要点：

1. 在 state 或 instructions 里明确指定关键要素，例如金额、医疗、法律等敏感维度；
2. 每个 choice 候选项写清判定标准，模糊标准会直接体现在误判里；
3. 设置合理的置信度阈值：高于阈值自动执行，低于阈值转人工或升级大模型；
4. 上线前用小样本核对概率校准情况，Jev 的概率设计目标是「说 90% 就真的对 90%」。