群里有人丢了条链接，HN 上一个帖子在涨赞。
9 月 15 号，TypeSafe 从两年隐身里冒出来。创始人 Diogo Almeida——ChatGPT 那套 RLHF 训练方法的共同发明人——在 X 上写了一句：Don’t chat. Decide.
三天。HN 1900 多赞，评论 500 多条。Doom 演示、国际象棋、工单分流、浏览器点菜单，推文一条接一条。Vercel 跟了接口，Cloudflare 也跟了。
我盯着屏幕想了一件事：这东西是不是决策树外加一个置信度模型？
打开官网，第一句话就是答案。
它不生成字。不写邮件，不写代码，不聊天。你丢一段状态进去——工单原文、一段 JSON、一条日志——它吐回类型安全的答案。走哪个队列，分数多少，是或否。每条带校准过的置信度。
端到端 70 到 500 毫秒。输入 $0.042 / 百万 token。输出免费。
API 字段 jev-latest，打 POST /v1/systemone。
三种问题格式。Choice：最多 255 个选项里挑一个，给出整份概率分布。Score：给一个数值打分。Noul：是或否的概率——这词他们自己造的。一次请求可以塞一堆问题进去，并行跑。
拿客服工单举例：
state: "我的卡被扣了两次，同一笔订单。"
questions:
- type: choice, key: department, options: [billing, technical, sales]
- type: noul, key: urgent
- type: score, key: sentiment, scale: [1, 5]
回来三份分布：billing 0.91、urgent 0.72、sentiment 1.8。各带一条置信度。没有一段可读的文字。代码拿到结果，一个 if 搞定分流。
他们叫这套 System One Model。名字来自卡尼曼《思考，快与慢》——系统 1 快，凭直觉拍板；系统 2 慢，走推理。LLM 干系统 2 的活，Jev 干系统 1 的活。
输出为什么免费？因为没有逐 token 的解码。LLM 一个字一个字往外吐，按 token 收钱。Jev 一次前向传播把所有问题的分布算完，没有字符串可以卖。速度和价格的来源是同一个：并行采样。
群里、HN 上反复有人提——
“分类、打分、路由，老问题了。”
“spaCy 能干。”
“我用向量相似度做类目路由，早跑在线上了。”
形状上，这些说法都对。活是同一类活。吃饭的方式不一样。
决策树要你先抠特征：金额、渠道、历史投诉次数、是不是老客。XGBoost 吃表格。业务翻译成列，树才能切。换一条规则，整棵树重训，特征工程从头来。
BERT 分类头往前走了一步，能吃文本。代价是每个业务场景自己标数据、自己训。客服队列从 8 个改成 12 个？分类头要换，样本要补，校准曲线要重画。置信度那一栏，很多模型写着 0.99，实际对的次数远不到 99%。
Jev 吃原文，或者一段程序状态。你把选项写在 schema 里，它吐分布。换业务？改选项。不用重训树，不用重新抠特征列。
接的活，就是分类器那类活。吃饭的方式，跟 2018 年 Jupyter 里那棵树对不上。
你手上已经有一份干净的表格特征和一个训好的 XGBoost，继续用。便宜，本地跑，延迟比 70 毫秒还低。你面对的是工单原文、会话记录、Agent 轨迹——非结构化数据，每次先让 GPT 把字段抽出来再进树。那层抽字段的钱和延迟，才是账本上的洞。Jev 把这个洞补上了。
我以前做舆情监控，链路我熟。ES 倒排索引先捞候选文本——关键词命中、布尔检索，几百万条筛到几千条。然后抠特征：关键词频次、发布渠道、转发量、时间段、是不是大V，拼成一张表。表喂进分类树或 XGBoost，切出情感正负、话题归属、风险等级。类别多的时候精度掉，还得上 ECC（Error-Correcting Output Codes），把 N 个类拆成一组二分类器，用纠错码矩阵投票。
整条链路，特征工程占了一大半工时。换一个客户、换一套分类体系，特征列重新设计，树重新训，ECC 矩阵重新算。
拿 Jev 替掉中间那段，链路变成：ES 捞文本 → 原文丢给 Jev → 一个请求同时问情感（正/负/中）、话题（产品/服务/价格/其他）、风险等级（1-5）、是否需要人工介入 → 拿到带置信度的分布 → 低于阈值转人工。
特征工程省了。ECC 也不需要——Choice 原语天然支持 255 个选项的概率分布，不用拆成二分类器组合。换分类体系改 schema，不用重新建树。
倒排索引那一步 Jev 不碰。它接在检索之后、处理之前。位置清楚。
官网上写着 Zero Hallucinations。图上画了 LLM 的幻觉率，Jev 那一栏 0%。
HN 吵开了。
拆开看。它的输出空间锁死了——schema 里没有的字段，吐不出来。你定义了 billing / technical / sales 三个选项，它不可能返回一个 “customer_service”。类型错误在数学上不成立。0% 指的是这个。
选错呢？
Almeida 自己在帖子里认了：可以自信地给错答案，以后更强的模型也一样。
工单该去 billing，它给出 technical，置信度 0.91。字段合法，方向错了。你的代码照样执行分流——分到了错的队列。schema 安全，救不了判断错误。
这才是我要看的东西。他们用一套叫 RLCD 的训练方法——Reinforcement Learning for Calibrated Decisions。RLHF 让模型写出人喜欢的文字。RLCD 让概率说实话。模型说 70% 有把握，长期跑下来就该对大约 70%。
代码里就可以这么写：置信度低于 0.8，转人工，或者丢给 Astra 再判一次。文档里把这种写法叫 confidence-gated routing。
校准过的置信度，比”不会幻觉”四个字值钱。 后者是文案。前者能写进 if。
名字取自威廉·斯坦利·杰文斯。19 世纪那句话：蒸汽机更省煤了，煤的总消耗量反而上去了——更便宜的动力，解锁了以前划不来的用途。
他们的赌法写在明面上。决策成本降两个数量级，被自动化的决策就会多两个数量级。token 总量升，不降。
这跟我这周写号池、写 overloaded 是同一本账。算力紧的时候，你还拿 GPT-6 Astra 去判断一封邮件走哪个队列——手术刀开快递箱。Pro 号池被 cooldown 掐过一轮，API 按量贵。工单分流、内容质检、要不要拦，这类内环调用一天几万次，账拉不平。
Jev 把这块从聊天模型里拆出来了。LLM 继续写邮件、写代码、写回复。内环的分流、打分、拦截，走 70 毫秒的函数调用。官网那句 “frontier-intelligence function call”，说的就是这个位置。
他们自己的 workflow evals 报了 193.6 倍更快、444.6 倍更便宜。参考对象是 GPT-6 Astra 和 Fable 5.1 的平均。公开金标没交。数字当广告看。方向我认。
X 和 HN 上这几天的演示比官网动画好看。
有人拿 Jev 当浏览器 agent 的选菜单模型。辅助功能树里 10 到 40 个可点击项，每步让 Jev 挑一个。六张测评卡，21 到 23 步全对，总花费大约 0.001 美元。要填字的时候，再叫一个 nano 模型来写。有人做国际象棋，把所有合法走法塞进 Choice，一次前向选出黑棋下一步，大约 300 毫秒，每步 0.00004 美元。还有人估算，一条业务流水线里 40% 到 70% 的 LLM 调用，形状上就是选择题。
我对过自己的流量。Token Hub 里，”写”的请求没那么多。大量是：这条要不要拦、这个意图归哪类、这篇生成内容过不过质量线。过去全走大模型，再写一层 JSON 解析，解析失败了重试。Jev 的接口形状，就是把这层重试拿掉。
在 Zaokit.app 的 PPT 生成流程里，我碰到同样的问题。每一页 PPT 生成之后，要判断：排版合不合格、配色有没有撞、文字有没有溢出边框。过去用 GPT 写一段 JSON 回来做质检，偶尔格式崩了要重试。换成 Jev 这种接口——丢一段页面状态，Score 问排版分，Noul 问是否合格，Choice 问哪种修正方案——一个请求搞定，不用解析字符串。
你的数字分身 那边也一样。用户发一条消息进来，先判意图：是要问答、要生成、要改稿、还是闲聊？过去用 GPT 做意图识别，一条请求 1-2 秒，偶尔跑偏。如果有一个 70 毫秒的 Choice 接口把意图先分好，GPT 只接收到明确的任务指令——效率翻一倍都不止。
边界也清楚。32K 上下文。不吃图。Choice 上限 255 个选项，再多要拆成两段打分再选。Early access，还在排队。Doom 演示吃的是结构化游戏状态——坐标、距离、角度写成 JSON，不是像素。HN 有人说 launch 文案像在演戏：frontier、can’t hallucinate、两年隐身，词用得满。
这些我都记下了。不妨碍我认一件事：把”决策”从”生成”里拆出来，方向对。 过去三年大家拿 GPT 当锤子，钉子的形状其实早就分好了。
做企业落地，踩过的坑多半出在内环。审批摘要之后要不要升级、客服会话要不要转人、生成的 PPT 页过不过质量线。这些调用要稳，要快，账还得拉得平。聊天模型能干，贵，偶尔解析失败。
我现在的做法：Token Hub 做多模型路由，GPT、GLM、Kimi 按场景切换。Jev 这类模型如果 early access 排到了，我会把它当路由前面的一层——置信度高的决策本地消化，低的再丢给大模型。两层叠起来，内环快，外环准，账才算得过来。
grok.zaokit.com、cx.zaokit.com、cc.zaokit.com 这几条企业线，跑的就是这套逻辑。模型是工具，合适的那把才留下。
我一个人打造的 Zaokit AI Agent 交易平台，以及 AI PPT / 图文创作 Zaokit.app、你的数字分身，助力大家高效完成图文创作和 PPT 生成。唯一网站：https://zaokit.app。
企业侧同一逻辑，已经融进可直接接入的服务：
稳定靠谱的 AI 全家桶，开箱即用。
如果你认可 Zaokit AI 的产品理念，欢迎后台留言加入社群。我们不卖课、不割韭菜，只聚焦 ToB 企业场景的 AI 落地实战。
延伸：周五晚上 GPT 解冻了，我在想这 10 几个 Pro 还要不要续 · GPT 订阅号池服务，可以写入历史了 · server_is_overloaded 的最新解决方案
| 唯一网站：Zaokit.app | Agent 交易平台：Zaokit.ai |
企业 Grok 服务：grok.zaokit.com
企业服务：cowork.zaokit.app · cx.zaokit.com · cc.zaokit.com · tokenhub.zaokit.ai · gift.junxinzhang.com · 完整产品列表
稳定靠谱的 AI 全家桶，开箱即用。
我是 Jason，自己一个人做 AI 产品。Jev 刷了三天屏。它不聊天，连字都不吐。我在意的是：那些一天要拍几万次板的内环，以后还要不要排 LLM 的队。
