Jev公開一週後，開源實作接連出現

不生成句子、只返回預設選項與機率的人工智慧（AI）模型Jev，公開一週後接連出現相似的開源實作。這顯示，與文字生成分離、專門負責判斷的模型正成為新的開發方向。

TypeSafe AI於9月15日以首款「System One模型」提前推出Jev。公司表示，Jev可根據輸入狀態與問題並行處理多項判斷，並同時返回結果、機率與信賴度數值。

Jev不像一般大型語言模型（LLM）那樣依序生成代碼。開發者若事先設定模型可返回的範圍與問題類型，軟體便能取得可直接處理的結構化數值。

目前支援的類型包括從選項中選出一項的「Choice」、依照既定標準評分的「Score」，以及判斷特定命題是否為真的「Noul」。三種功能可在一次API呼叫中一併處理。

例如，將詢問內容分流至技術支援團隊與付款團隊時，若Jev分別給出91%與9%的機率，系統便可自動分類。若判斷結果為52%與48%，則可要求使用者提供更多資訊，或轉交能力更強的模型處理。

判斷標準與後續處置由程式碼負責，而非模型。Jev不生成句子讓人員自行解讀，而是設計成讓程式直接使用核准、分類與路由等結果。

TypeSafe AI表示，Jev的回應時間為70至500毫秒。該公司列為比較對象的既有前沿模型，回應時間則為3至329秒。

官網也列出每項工作成本為0.000081美元（約0.11韓元），每10億個輸入代碼為42美元（約5萬8254韓元）。不過，回應時間與成本比較是基於TypeSafe AI自行設計的評估與測量結果。

目前尚未提出獨立機構的重現結果。Jev的效能與成本優勢能否在其他工作環境中同樣出現，仍有待進一步驗證。

Jev或許能降低輸出格式錯誤，但並非能消除判斷錯誤的模型。即使返回值落在預先設定的選項內，仍可能做出錯誤選擇。

在Hacker News的Jev發布討論中，有意見認為，這種不生成文字、專注於分類、路由與評分的方式可能具有實用性；也有意見指出，Jev難以與既有LLM直接比較效能。

先前報導介紹的Jev結構化判斷輸出，成為這次後續討論的基礎。Jev並非要取代對話式AI，而是希望成為可連接既有軟體的判斷模組。

開源社群的後續開發自9月16日起陸續出現，包括可在本地GPU執行的替代實作，以及使用既有語言模型模擬Jev運作方式的專案。

Hugging Face上已登錄基於Qwen3.5的「system-one-qwen3.5-4b-scorer」。該模型可一次為問題與選項評分，並實作不生成字串的方式。

Hugging Face的「cua-s1-forms」則是針對電腦操作工作的獨立實作，會返回各選項的機率。該專案以MIT授權發布，但未採用TypeSafe AI的RLCD訓練方法，也不是重現Jev效能的模型。

目前可確認的共同點，是不生成文字，而是並行評估預先設定候選項目的介面。這種方式在實際自動化環境中能達到何種準確度與穩定性，仍取決於後續評估結果。