Jev 與 System 1：只做選擇題的模型

在 YouTube 上觀看 ↗

兩種大腦：System 1 與 System 2

用行為經濟學的雙系統心智模型來理解 AI 工作流，會很直觀：

• System 2（深度推理）：像 Claude、GPT 這類旗艦 LLM。負責規劃、推理、寫程式、產出文字——慢、貴，但能力強。
• System 1（直覺反射）：像 Jev 這類特化模型。只做一件事——做選擇題。你給它資料 (state)、問題與選項，它回你每個選項的機率。

專門術語上，TypeSafe 稱這類模型為 System One 模型 (System One model)，Jev 是他們的第一個、也是旗艦的 System One 模型¹。

官方定位要先講清楚：Jev 不是聊天或寫程式的 LLM，它不生成文字、不寫程式、不參與對話。官方文件明確表示：不存在 model: "jev-latest" 這種「把 coding agent 換腦」的設定。正確用法是——你的 agent 照常運作，Jev 負責工作流中的結構化決策²。

三種題型 (Primitives)

Jev 的輸入是一組帶 ID 的型別化問題 (typed questions)，每題只問一個「一秒內可回答」的直覺判斷。輸出是程式可直接消費的結構化答案³：

一次請求可以平行問多題：所有問題看到同一份 state、彼此獨立評估、共用一次呼叫。這是「一次掃描、多維判斷」能壓低成本的關鍵³。

提問原則：問題要是「有知識的人在一秒內能給出的判斷」。如果你發現自己在問「分析這段訊息並決定最佳行動方案」，那已經是需要慢推理的任務——應該拆成多個小問題，再用程式組合答案³。

為什麼值得放進工作流

快：影片中描述 Jev 反應只需零點幾秒，足以在「每一句 prompt」的層級做動態判斷，而不是像人工切換模型那樣「分完一次就固定死」。

便宜：以現行版本 jev-1.13.0 為例，輸出 token 免費，只按輸入計費（$42 / Btok，即 $0.042 / Mtok）；context 64k、速率限制 100K tokens/s。官方註明費率與限額仍會動態調整⁴。

2026-10-16 查核更新：官方 models 文件已列出 Jev 1.14（jev-1.14.0，2026-10-14 起 available），與 Jev 1.13 同價（輸入 $42 / Btok、輸出免費）、同 context 上限（64k per-request / 32k per-question）；查核當下 jev-latest 別名仍指向 jev-1.13.0，jev-preview 指向 jev-1.14.0。另外官方新增 Long context：在請求加上 TypeSafe-Danger-Zone-Long-Context: true header 後，兩個版本的 per-request 與 per-question context 都提升為 262k tokens（官方提醒較慢且準確度低於預設上限，僅在需要時開啟）。

受限但透明：

• state + 最長問題的預算為 32k tokens，超過視為設計問題而非加錢解決。
• 一次輸入（state）配大量問題最划算——同樣的內容不要重複送。
• 語言是關鍵變數：英文是主要訓練語言、準確度最佳；中文等 CJK 文字可以處理但「未同等好」，官方建議在自己的內容上實測，並特別留意 confidence 後再依賴⁴。

心法：什麼時候該用 Jev？

上一支影片（Jev 原理篇）曾總結一個判準，而影片作者把它在 Claude Code 的實作中提煉得更純粹：

只要工作流裡某一步的本質是「選擇與判斷」，而不是「生成與產出」，那一步就是 Jev 的位置。

實務上可以先問自己：

1. 這一步的答案，能不能事先枚舉出明確的選項？——能，就適合 Choice / Score / Noul。
2. 這一步需要寫出新內容、推理出未知結論嗎？——需要，就留給 Claude。
3. 這個問題要問幾次？——問一兩次的高價值推理留給大模型；問幾千次的同質判斷交給 Jev。

下一步

• 接進 Claude Code：API Key、Agent Skill 與 Jev 開關
• 三個黃金位置：判斷外包地圖