由初创公司TypeSafe AI于9月发布的AI模型Jev，凭借专为快速决策设计的特性，在开发者及硅谷科技圈迅速走红。该模型能以远低于主流AI的成本执行分类任务，如客户分组或文档归类。数据显示，接入Vercel AI网关不到24小时，近13%的付费团队试用了Jev，触达数量是以往任何模型发布时的两倍以上。
Jev的爆发式增长引发了巨头的快速反应。发布仅三周后的10月6日，OpenAI推出了竞品Decisions API。这类服务旨在自动化处理企业日常海量的常规判断，在大规模应用下，成本、速度和错误率的微小差异直接决定自动化的经济性。TypeSafe为此专门训练了Jev，而OpenAI则在其现有产品线中调用了GPT-6 Luna模型。
填补“系统一”空白
TypeSafe首席执行官Diogo Almeida曾在OpenAI参与ChatGPT底层技术开发。他洞察到模型在回答人类问题与自动化常规工作之间存在实用性差距，遂离职创立TypeSafe，致力于解决AI“过度承诺、交付不足”的痛点。Almeida认为，未来绝大多数模型请求将来自自动运行的代码而非人类，例如客服系统根据消息内容自动路由至账单或技术支持部门。
传统机器学习分类器虽成本低但缺乏灵活性，大语言模型（LLM）虽灵活但计算昂贵且缓慢。Jev定位为心理学家丹尼尔·卡尼曼所言的“系统一”模型，专攻快速直觉判断。它兼具LLM通过自然语言指令设置分类器的灵活性，以及比通用模型更快的速度和更低的成本。TypeSafe称，Jev一次性生成输出，避免了逐段生成的耗时，但其可靠性开发耗时两年，远超预期。
开发者生态与实战反馈
独立开发者Niels Mouthaan在拼写检查原型中测试Jev，对其近乎即时的反馈速度印象深刻。Atlensa创始人Ashutosh Mathore表示，Jev的高效率促使他重新评估哪些习惯使用LLM的任务其实并非真正的语言问题。记账软件公司Dext的AI负责人Paolo Rosson指出，LLM通常为完整书面答案付费，而许多场景仅需一个标签；他估算Jev处理1000次更改的成本仅为7美分。
不过，从LLM切换至Jev存在适应门槛。开发者Aaron Roy发现，沿用传统LLM的提示方式会导致重要邮件漏标，需明确指定关键要素（如金钱、医疗等）才能降低遗漏率。这要求开发者以不同方式塑造问题，并设定合理的置信度阈值以平衡自动化与人工审查的风险。
OpenAI入场与竞争格局
OpenAI高管Nikunj Handa承认，Jev“激发了这一切”，Decisions API在此前四周并未列入路线图。初版Decisions API使用未经额外训练的GPT-6 Luna，通过限制返回结构化答案和优化系统，其决策速度比通用Responses API快多达十倍。此外，OpenAI支持图像输入，而Jev目前仅支持文本。
价格方面，OpenAI输入价格为每百万Token 0.10美元，Jev为0.042美元，两者均不收取输出Token费用。尽管OpenAI拥有资金和用户基础优势，且便于开发者在同一生态内构建“快速分类+复杂处理”的组合流程，但TypeSafe投资方DCVC合伙人James Hardiman认为，Jev两年的可靠性打磨构成了隐形壁垒，其在生产环境的表现有望优于快速跟进的克隆产品。
TypeSafe声称开发了新的模型架构和训练方法，使Jev的概率估算更贴合实际正确率。尽管长期竞争胜负未定，但Almeida关于优化分类系统的直觉已被验证，OpenAI及其他潜在入局者正奋力追赶这股浪潮。