TypeSafe 宣布推出「Series AI」，並宣稱其 Jev API 在上線僅三週後，年度經常性收入（ARR）即突破 1 億美元，估值達到 75 億美元。Sequoia 被指「洩露」了這一 ARR 數據。Diogo Almeida 在 X 上發文稱該模型意外每天服務數兆個代幣，29.4% 的財富 500 強企業已採用，並從 a16z 獲得大額 A 輪融資。儘管存在對行銷造勢（astroturfing）的質疑，AINews 強調其對 Jev 的報導是真實的。

與此同時，「決策模型」（Decision Models）成為一個新的產品類別。這類模型在單次前向傳播中返回類型化的答案（如概率、從列表中選擇、評分），而非自由文本。Jev 成為業界基準。多家廠商在同一天發布了相關產品： 1. **OpenAI Decisions API**：提供三種請求類型（條件為真的概率、從列表中選擇、對等級評分），接受文本和圖像，基於 GPT-6 Luna 運行，輸入代幣定價為每百萬 0.10 美元，無輸出費用，並宣稱速度提升高達 10 倍。 2. **Microsoft-Decision-1**：定位於 LLM 判斷者和科學假設篩選。早期評估者指出決策模型在一致性和複雜決策上仍有困難。 3. **Perplexity pplx-decider-v1.1-27b**：宣稱在 Decision Bench 上準確率達 94.5%（1,071 個案例），每 1,000 次決策成本為 0.017 美元。 4. **Cloudflare clef**：新推出的 clef-omni 接受音訊、視頻、圖像和文本。clef-flash 比 Jev 更便宜，整體速度快約 2 倍。權重已發布在 Hugging Face。 5. **Liquid d1**：已在 Vercel AI Gateway 上線，支持視覺分類、路由和評分任務。

此外，vLLM Semantic Router 的 Decision 2.0 可在單次處理中回答關於單一輸入的多個問題，並提供每個選項的概率。LangSmith 使用 Jev 作為判斷者，對每個追蹤返回關於難度和正確性的單獨類型化答案。訓練方面，Unsloth 發布了免費筆記本，可在 8GB VRAM 上將 Qwen3.5-4B 轉換為決策模型；另一項關於 Qwen3.5-0.8B 的教程顯示，在 4GB 顯存上約 10 分鐘內準確率從 37% 提升至 65%。

LangChain 指出，將每個任務路由到最便宜且足夠的模型，可使 Open SWE 每個任務的中位數成本降低 64%。Apple/CMU 的研究 Selection-based Structured Reasoning (SSR) 將類似概念應用於代理內部，通過單次批次前向傳播對六種自然語言策略進行評分，每輪推理延遲降低超過 90%，但端到端每個問題的延遲僅降低 28–54%。

事件背景

決策模型（Decision Models）是一種在單次前向傳播中返回類型化答案（概率、選項、評分）而非自由文本的模型類別。這類模型旨在處理代理工作流中大量的「是/否」調用或分類任務，而非生成任務。Jev 被視為該類別的參考基準。

社群觀察

社群對 TypeSafe 宣稱的 1 億美元 ARR 和 75 億美元估值表示懷疑，並指控存在行銷造勢（astroturfing）行為。Diogo Almeida 的推文獲得了 81.1 萬次瀏覽，引發大量討論。儘管有批評聲音，AINews 強調其對 Jev 的報導是 100% 真實的。