TypeSafe正式结束秘密研发阶段，推出Jev模型。该公司由OpenAI资深人士、ChatGPT共同发明人Diogo Almeida创立。Jev定位为专门的“System One”模型，旨在自动化程序决策，为需要确定性逻辑的软件系统提供新选择。
与传统大语言模型不同，Jev完全摒弃了文本和字符串生成模式。它不再通过自回归方式生成顺序文本令牌，而是将非结构化状态作为输入，在单次并行查询中直接输出类型安全的结构化值。这种设计从源头上防止语法类型错误和输出幻觉，实现了确定性的代码集成。
Diogo Almeida将Jev形容为一种前沿的智能函数调用：“输入非结构化状态，输出类型化的概率决策。”
硬件感知并行采样与RLCD训练
Jev基于“校准决策强化学习”（RLCD）构建。不同于主流模型采用的RLHF或RLVR，TypeSafe训练Jev针对执行逻辑产生校准概率，确保置信度分数与输出准确性直接挂钩。
在架构上，Jev依赖硬件感知的并行采样器，同时评估并交付所有结构化值。结构性约束将输出限制在预定义Schema内，消除了传统LLM部署所需的解析管道和护栏层。其内部采样器采用两阶段流程，可处理高达255个离散选项的高基数选择。
性能数据显示，Jev端到端响应延迟介于70至500毫秒之间，远低于对话式前沿模型的3至329秒。在固定计算图的工作流评估中，Jev的执行速度最高比GPT-6 Astra和Fable 5.1等基准模型快193.6倍。
成本方面，Jev输入处理费为每百万令牌0.042美元，显著低于标准对话模型0.20至10美元的费率。由于无需自回归生成过程，TypeSafe对输出令牌免收计量费用。
真实场景部署：从游戏机器人到PB级数据
生产演示显示，Jev能在高速游戏状态和网页遍历树中解决分支规则。在《毁灭战士》实时反应机器人测试中，工程师以每秒10次查询的速度运行，每小时运营成本约7美元。另一项Wiki竞速测试表明，Jev通过评估选项而非生成幻觉死胡同，完成的遍历步骤少于外部无推理能力模型。
实地测试确认了其核心应用场景，包括实时特征提取、PB级数据工作流、输出验证层以及自动分支逻辑领域。TypeSafe今日已开放早期开发者访问权限，并开始从等待名单中吸纳工程团队。