FAQ
从 X、Discord、HN 汇总的高频问题。
Q. 怎么拿到 Jev 的 access?
目前是邀请制。去 https://typesafe.ai 点 Join Waitlist,填写申请。重点:写清楚你打算用 Jev 做什么(具体场景,不是'研究 AI')。X 上反馈普遍几十分钟到 1 天过审。
替代路径:不想等的话,OpenRouter 已经上线 typesafe/jev,直接用 OpenRouter 的 key 调用。
Q. Jev 能做什么?不能做什么?
能做:分类、路由、评分、抽取、rerank、guardrail、verifier、实时 UI 决策、PB 级数据分析。 不能做:生成文本/代码、精确计数/日期算术、多模态(图片/音频/视频)、长链推理、多轮对话管理。 详见 Jev jaggedness 报告 和 决策树。
Q. Jev 多少钱?
输入 $0.042 / 百万 token(每十亿 $42),输出免费(官方称'too cheap to meter')。端到端延迟 70–500 ms。 相比 GPT-5.6 Terra ~$2/MTok 输入 + 输出,典型工作负载便宜 40–400 倍。详见 官方工作流评测。 创始人 Diogo Almeida 在 X 上明确说'不会涨价'。
Q. Jev 会取代 GPT-5 / Claude 吗?
不会。Jev 是补充,不是替代。
- LLM 擅长:生成文本、写代码、推理、解释 - Jev 擅长:分类、路由、评分、guardrail、verifier 合理用法是两者并存——LLM 想,Jev 判。代码掌控控制流,LLM 处理开放式任务,Jev 处理封闭式决策。
Q. Jev 的 confidence 真的可信吗?
在群体层面是的。Jev 经过 RLCD 训练,它的 confidence 是校准的——说 0.8 confidence 的题长期看 80% 是对的。 但单条不保证。说 0.95 confidence 的某一条,这次可能恰好错。 实操建议: 1. 用 confidence 阈值做门控(参考 Confidence 计算器) 2. 在自己的样本上跑校准曲线 3. 关键场景做 A/B 对照
Q. Jev 支持图片/音频/视频吗?
目前不支持。Jev 1.13 只吃文本(string / JSON object / array of text)。 要做多模态: 1. 用其他模型做 OCR / 语音转文字 2. 把转出来的文本给 Jev 3. Jev 做判断 官方说多模态在路线图上,但没有具体时间表。
Q. Jev 是开源的吗?能自己部署吗?
Jev 模型本身不开源,只能通过 TypeSafe 控制台、API 或 OpenRouter 调用。
但: - SDK 开源:typesafe-sdk Python / JavaScript - Agent skill 开源:typesafe-ai/skills - 文档和 Cookbook 完全公开
Jev 是闭源的前沿模型,跟 GPT-5、Claude 一样。
Q. Jev 的上下文窗口多大?
总 64K token,但更严格的限制:state + 最长单 question 合计 ≤ ~32K token(约 150,000 字符)。 很多人先撞到这个限制,才发现。详见 Cheatsheet。
Q. Jev 真的不能计数吗?
不能。无论是字符数、关键词出现次数,还是 list 里的项目数。
怎么办:在代码里算,然后把数字作为 state 的一部分传给 Jev。Jev 拿到的应该是预计算的事实,不是原始数据。
python state = { "items": items, "precomputed_count": len(items), # ← 在代码里算 } question = Noul(f"Given there are {len(items)} items, is this a large list?")
Q. Jev 的中文能力怎么样?
能用,但不如英文稳。官方 jaggedness 报告明确说 Jev 的主要训练语言是英文,其他语言(包括 CJK)准确率较低。 实操建议: 1. 拿真实样本盲测——不要直接相信英文 demo 的准确率 2. 中文 prompt 可以写,但 criteria 要写得更具体 3. 重要决策做 A/B 对照,准备比英文更保守的 confidence 阈值
没找到答案?去 Discord 问 或 联系我们。