Jev 101
掌握 Jev。构建具备类型保障的 AI 决策。
Jev 101 是一个独立的 Jev 入门站、资源库和交互实验室，帮助你理解并落地 typed AI decisions。
"Package tracking stalled 4 days ago at Chicago hub, need rush delivery or full refund immediately."
Determine primary operational route and refund eligibility.
Calibrated probability output with type-checked certainty.
shipping_escalation
Unlike unpredictable raw chat completions, Jev evaluates categorical decisions over constrained state, returning mathematically verified probability vectors with zero JSON syntax drift.
91%
118 ms
决策解剖 // 结构三要素
从杂乱输入到 typed decision 的最短路径
Jev 把 state、question 和决策类型都保持可见，让你知道模型到底在判断什么。
State
软件已经掌握的事实。
Question
你希望 Jev 做出的判断。
Typed answer
带置信度的 Choice、Score 或 Noul。
架构对比 / 类型化决策 vs 生成式文本
为什么 System One 决策模型比普通大模型更适合软件内部决策
绝大多数软件自动化决策只需要严格受限的类型值和可信的标定概率，而不是耗时逐字生成一段可能格式解析失败的长文本。
仅允许输出受限类型（Choice / Score / Noul）。物理结构上杜绝格式幻觉。
自回归散文强制解析为 JSON。语法解析失败需进入重试循环，增加额外延迟。
并行前向采样器，在 70ms 至 500ms 内同时判定所有问题。
逐字生成时间随输出长度线性增长。典型延迟在 3 秒至 15 秒之间。
输入 $0.042 / MTok。输出 token 完全免费。比前沿大模型便宜约 400 倍。
$0.20 至 $10.00 / MTok。且输出 token 计费通常比输入 token 贵 3 至 5 倍。
RLCD（校准决策强化学习）在数学上将置信度与真实准确率紧密绑定。
Prompt 中模型自我汇报的置信度未经过校准，极易出现盲目过度自信。
实战蓝图 // 生产场景
从你已经需要的决策开始
每个 Recipe 都给出 schema、可运行示例和可以带走的代码。
客服工单路由
垃圾信息识别
内容审核
线索评分
Agent 路由
在线实验室 // 试玩验证
实时运行与验证
修改状态与判定规则，现场体验 Jev 的零漂移确定性返回。
Route this customer support ticket to the best team.
Output
shipping
这是用于理解结构的示例输出；打开 Playground 可运行真实 provider 请求。
生态矩阵 // 资源库
持续更新的 Jev 资源库
先收录官方资料，再补充社区项目、SDK、MCP、集成和实验。
评测公开数据集上的任务表现，包含数据版本、运行耗时、Token 计费以及失效情况。我们不声称统一大模型排行榜，只提供可复现的决策效果对照。
118ms
99.4%
0.00%