Typesafe AI 推出了名為 Jev 的「System One」模型架構。該架構跳過傳統的文字生成步驟，直接提供帶有校準概率的快速型別決策。這種方法比頂尖的大型語言模型（LLM）快上 40 到 200 倍，同時大幅降低了成本。該模型採用校準決策強化學習（RLCD）進行訓練，並輸出結構化資料而非原始文字。雖然其設計不支援提示快取（prompt caching），但在需要確定性、符合架構安全規範的回應場景中表現優異。

事件背景

傳統的大型語言模型會逐個記號生成文字，這在需要 JSON 等結構化資料時可能較慢且容易出現格式錯誤。結構化輸出技術（如 JSON 模式或架構強制執行）有助於確保這些模型產生可解析的回應，但通常會增加延遲。Jev 代表了向專門優化決策而非開放式生成的專用模型轉變。

社群觀察

社群成員讚賞其在速度與可靠性上的提升，特別是在 Home Assistant 自動化與家譜比對等應用場景中。然而，也有人討論其權衡之處，指出 Jev 不像生成式模型那樣具有圖靈完備性，且缺乏提示快取功能，這可能限制其在某些對話情境中的適用性。