TypeSafe AI 不是另一个聊天机器人，Jev 也不是用来替代 ChatGPT 或 Claude 的通用大模型。它面向软件自动化：程序提交一段状态和预先定义的问题，Jev 返回选项、评分或是非概率，让代码直接据此分流、排序或触发下一步。
如果你的需求是写文章、生成代码或持续聊天，应继续使用生成式大模型；如果需求是给工单分类、判断风险、给候选项排序，并希望输出结构固定，Jev 才是更匹配的工具。
核心差别在输出，而不只是模型大小
| 对比项 | 普通大模型 | Jev |
|---|---|---|
| 主要输出 | 自然语言字符串 | 预定义类型的决策 |
| 典型用途 | 对话、写作、代码生成 | 分类、评分、路由、验证 |
| 程序接入 | 通常还要解析和校验 | 可直接读取结构化结果 |
| 不确定性 | 可能给出文字化自信判断 | Choice 和 Score 返回概率分布与 confidence |
TypeSafe 把这类模型称为 System One Model，强调快速、原子化判断。Jev 接收文本或由文本组成的 JSON 状态，不生成自由文本，而是在你提供的有限答案空间内决策。
三种问题分别解决什么
Choice 从最多 255 个候选项中选一个，并返回各选项概率；适合工单路由、意图分类。Score 按最多 10 个有顺序的等级评分，适合风险、质量和情绪强度判断。Noul 回答一个是非问题，结果是“是”的概率，适合检测某条件是否成立。
三类问题可以在一次请求中并行执行。它们共享同一份 state，但彼此独立，不会因为前一道问题的回答而改变后一道问题。
它适合哪些真实场景
最合适的是答案集合已知、规则又很难完全写死的环节，例如将客服消息分配给账单或技术团队、筛查 RAG 片段是否相关、判断引用是否支持主张、决定 Agent 是否调用某个技能。代码仍负责金额计算、权限检查和最终业务动作，Jev 只处理其中需要语义判断的部分。
什么时候不要选 Jev
需要长篇生成、复杂多步推理、精确计数、日期运算、图像或音频理解时，不应硬套 Jev。官方对 Jev 1.13 的说明也建议把数学和日期比较留在代码里，把生成任务交给生成式模型。判断标准很简单：答案能否提前定义成有限选项或等级；如果不能，Jev 多半不是主模型。
