什麼是 Jev？每天分類幾百封信，為什麼有人想用「不會寫字」的 AI 模型
週一早上八點五十分，小婕在客服信箱前坐下，未讀數字停在 412。
她是一間中型電商的客服營運主管。這 412 封裡，有退貨申請、有物流催促、有廠商報價，有人寫來問有沒有合作機會，還混著幾封一看就不對勁的「帳戶異常，請立即點擊」。她要做的第一件事不是回信，而是分類：哪些今天必須處理、哪些轉給物流、哪些直接丟掉。
這件事她做了三年。她試過請 AI 幫忙，聊天式模型確實讀得懂，但每封信都要等好幾秒，還會附上一大段客氣的解釋。她只想要一個答案：這封信，屬於哪一類？
小婕是示意性人物，用來把「每天要分類幾百封信或工單」這件事具體化。不過這個痛點是真的，而一家新公司剛好為它做了一種新型態的模型。
Jev 是什麼：它不寫字，只做決定
Jev 是 TypeSafe AI 推出的新模型。依影片說法，TypeSafe AI 是公司名、Jev 是模型名，影片發布時（2026-09-18）剛推出不久，並把它描述為針對「做決定」而最佳化的模型，不是用來聊天的模型。另據媒體與廠商網頁的報導，該公司約在 2026 年 9 月中旬公開亮相、獲 DCVC 領投約 4,000 萬美元種子輪，並把 Jev 稱為首個「System One Model」；這幾點不在影片內容中，屬於據媒體報導或廠商宣稱，我方未獨立驗證。
影片主持人 Riley Brown 一開場就把差異講白：Jev 不是聊天機器人，甚至寫不出一句完整的話。它讀得懂文字，但不產生文字，只回傳一個判斷，以及它對這個判斷有多少把握。
公司背景方面，影片播出的發表片段中，Diogo Almeida 自述曾參與 ChatGPT 的研發，並表示花了兩年祕密打造一種新的模型訓練方法，稱為 RLCD；影片另說曾在 ChatGPT 團隊工作的人離開後創辦了 TypeSafe。以上是影片轉述的自述，我方未獨立驗證。網路上另有媒體報導把他描述為 RLHF 的共同發明人，以及 RLCD 的全名與細節，這些不在影片內，屬於據媒體報導，我方同樣未驗證。
本文的數據與背景來自影片轉述、廠商宣稱與媒體報導，我方尚未獨立驗證。
三種輸出：選項、分數、空值
小婕最在意的問題很實際：它到底回傳什麼？
依影片的示範，Jev 只有三種回應方式。
第一種是選項（choice）。像選擇題，從事先定好的幾個類別裡挑一個。影片中的信箱範例把信件分成商業合作、訂閱更新、行銷提案、電子報、在地代理等類別。
第二種是分數（score）。使用者自己定義一把尺，例如「這封信需要本人親自看的重要程度」，刻度可以是忽略、低、中、高、重大，甚至自訂更高的級距。
第三種是空值（null），可以理解為「是或否的機率」。例如問「這封信是否提到商業合作機會」，Jev 會給一個機率，影片中有一封信被判定有約 90% 的把握。
三種輸出共通點是：沒有一段文字。所以影片提到，它沒有輸出 token 的費用，因為根本沒有輸出 token。
小婕看到這裡，點頭了一半。分類這件事，本來就只需要這三種答案。
實測：500 封信，十幾秒
Riley 在影片裡用 Claude 生成了一個小工具，接上 Jev，拿自己的 500 封信來跑。
流程大致是這樣：先用空值模式找出「提到商業合作機會」的信，再加上類別選項，最後加上重要程度的分數。每改一次設定、重新儲存，就重跑一次。他說，整批 500 封大約 12 到 13 秒跑完。重要程度的結果裡，沒有任何一封落在最高的自訂級距，有 6 封被判為「重大」，點進去就能看到原信。
接著他新增一個問題：「這封信是不是詐騙或釣魚？」500 封中有 55 封被標出，約占信箱的一成，各封的把握程度不一，有的約 54%，有的約 71%。
小婕對這個畫面很有感，因為她的信箱也差不多：真正要人類判斷的信其實不多，大部分時間花在「先分清楚是什麼信」。
影片裡的 500 封是 Riley 自己的信箱，而且是展示用途。能不能直接套到別家公司的信件，要看分類標準與資料，不能直接當成保證。
數字背後的賭注：便宜、快，但有條件
小婕接著問了老闆一定會問的問題：多快、多便宜？
影片引用官方比較：每個決策約 0.4 秒、約 0.0004 美元；傳統大型語言模型則約 10 秒、約 3 美分。影片播出的發表片段另稱 Jev 比一般模型快 20 到 200 倍、便宜 40 到 400 倍。
這些都是廠商自宣的數字，影片也特別說明是依對方自己的基準。3 美分聽起來不多，但主持人提醒，每天若有數千萬次請求，費用會快速累積。
不過，小婕在這裡停了下來，因為故事通常在這種地方轉彎。
第一個條件是上下文窗口。影片說 Jev 的輸入上限是 64,000 token，並拿兩款最新的聊天模型對照，稱它們的窗口約為 100 萬到 150 萬 token。不過影片算出的百分比與這些數字對不上，逐字稿又經過翻譯，所以這裡只保留 64,000 這個數字，對照模型的窗口大小我方未核實。實際意義是：能塞給它的背景資料有限，不適合一次丟進整份冗長文件。
第二個條件更關鍵：Jev 只在你先設好選項時才有用。它不會替小婕發明分類。「退貨」「物流」「詐騙」「合作」這些箱子，仍然得由她定義清楚。影片中另一位創作者的示範也強調這點：要先給它一棵選項樹，它才會做決定。
換句話說，便宜與快速買到的是「判斷」，不是「思考的替代品」。分類標準寫得含糊，再快的模型也只是更快地分錯。
不只是信箱：影片提到的其他用法
影片後半列了幾種延伸應用，都屬於影片轉述，未經我方查證。
一是路由。Riley 做了一個會依問題難度挑選模型的代理：簡單的請求選最小的模型，稍複雜的請求選較聰明一階的模型，另一個測試則顯示它有約 95% 的把握選「平衡型」模型。這個概念與選模型省成本直接相關，延伸閱讀裡的幾篇文章可以對照。
二是即時決策，例如影片中提到有人用它做自駕示意，以及即時分析股票、決定買或賣並實際下單。這類場景的共同點是輸出都是少數幾個選項，且需要反覆高頻判斷。
三是瀏覽器代理。影片稱每個畫面都是一次小決策，Jev 較快，示範中訂機票約花了 7 秒跨過一個畫面。
四是過濾。對冷信、詐騙信、低品質內容做預先篩選。
要注意，以上是示範，不是效能保證。尤其是交易類應用，影片本身只是展示，不構成任何投資建議。
怎麼取得：影片的說法
影片稱有兩種途徑：到 typesafe.ai 登記等候名單，或透過 Vercel 的 AI Gateway 取得，因為該模型已經在那裡上架。Riley 的做法是拿 AI Gateway 的 API key，請 Claude 或 Codex 依文件寫一個使用 Jev 的應用。
可用與否、定價與配額會隨時間變動，以官方頁面為準。
回到週一早上
小婕沒有立刻換掉任何系統。她把 412 封信裡的前五十封抄出來，寫下她真正在意的箱子：退貨、物流、報價、合作、疑似詐騙。寫到第三個時她發現，自己三年來其實沒有把這些規則寫下來過。
她後來領悟到，真正的難題從來不是「AI 夠不夠聰明」，而是「我要它做的決定，到底有幾種答案」。Jev 這類模型把這個問題逼得很清楚：箱子定義好，它才有用。
下一次信箱又跳出三位數的未讀時，她第一個動作不再是點開第一封，而是先問自己：這是需要思考的事，還是只是需要分箱的事？
FAQ
Jev 是大型語言模型（LLM）嗎？
依影片與廠商說法，不是。Jev 能讀懂文字，但不產生文字，只輸出選項、分數或空值（機率）加上信心程度。
Jev 可以拿來聊天或寫文章嗎？
不行。影片明說它連一句話都寫不出來，只做決策。需要寫作或對話時，仍要使用一般的聊天模型。
影片說的「快 20–200 倍、便宜 40–400 倍」可信嗎？
這是廠商自宣的比較數字，影片僅轉述，我方沒有獨立測試。實際速度與費用會因任務、資料與計費方式而不同，採用前應自行用小批量資料驗證。
Jev 的上下文窗口有多大？
影片提到輸入上限為 64,000 token，且沒有輸出 token 的計費。影片拿約 100 萬至 150 萬 token 窗口的聊天模型對照，說它小很多（對照數字我方未核實），不適合一次餵入很長的背景資料。
哪些工作適合 Jev 這類決策模型？
答案只有少數幾種、需要大量重複判斷的工作：信件與工單分類、重要程度評分、詐騙過濾、模型路由。需要長篇推理、寫作或開放式回答的任務，不是它的設計目標。
資料來源聲明
影片：Riley Brown，《JEV: How It Works and What You Can Build》，YouTube，2026-09-18 發布，https://www.youtube.com/watch?v=o1CogAtWdBk 。本文以影片內容為基礎重新整理與改寫，非逐句翻譯。
廠商與媒體資訊：TypeSafe AI 官網對 Jev 的公開說明（僅佐證公司名、產品名與「System One Model」定位），以及媒體對公司融資、創辦人與訓練方法的報導，經網路搜尋查得。融資、DCVC、RLCD 全名、創辦人背景等皆不在影片內，屬據媒體報導或廠商宣稱，我方未獨立驗證。
重要提醒：取得的影片逐字稿為阿拉伯語，影片原應為英語，存在翻譯過程的失真風險，且模型與公司名稱在逐字稿中有多種轉寫。速度、價格與倍數均為廠商宣稱或影片轉述，我方未獨立驗證。影片是否含業配或合作，本文不作推斷。文中小婕為示意性人物，非真實客戶案例。
延伸閱讀
想先看清楚手上的模型選項？
在決定把哪類工作交給哪種模型之前，先把選項攤開比較最實在。AI Token King 提供查詢面的功能：可以查看目前帳戶可用的模型清單與各模型的資訊，作為挑選時的參考。
本文不代表 AI Token King 支援 Jev，也不涉及自動路由或成本優化功能。
留言