最近爆火的jev到底是什么？安全建设能用吗？

最近爆火的 Jev 到底是什么

官方文档：https://docs.typesafe.ai/introduction

Jev 是 TypeSafe 推出的旗舰闭源模型，也是首款 System One 模型。给它一段应用状态和一组预先定义好的问题，它会返回可以直接交给代码使用的结构化决策结果。

我更愿意把它称为决策模型。DeepSeek、Kimi 等模型生成文本，Jev 不做聊天，也不输出自然语言句子。它只处理选择题、打分题和判断题，可在约 100 毫秒内给出结果，返回类型化选项、评分、概率和置信度。

简言之，Jev 是面向机器消费的决策 AI，而非供人类阅读的文本生成器。输入应用状态与预先定义好的问题，它直接返回类型化选项、评分、概率和置信度。因此非常适合作为智能体的内部控制层，负责路由、排序、重试、升级或停止等决策；只有当业务真正需要生成自然语言文本时，再去调用通用大语言模型。

三种决策类型

Jev API 把决策拆成三种类型。这样做是为了收窄问题范围，让模型只负责判断，不负责组织回答。：

举个场景：处理单次客服工单时，可以一次同时发起多项判断：该工单分配给哪个团队（Choice）、客户不满程度（Score）、客户是否明确提出退款诉求（Noul）。业务代码仅需要通过普通if逻辑组合这些类型化结果即可。TypeSafe 官方将 Jev 比喻成智能 if 语句：当手写硬编码规则容易失效时，用来完成分类、路由、打分、信息提取、流程分支判断。

Jev 与 LLM 的核心区别

二者最核心区别在输出形态。传统大语言模型逐 Token 生成字符串，业务拿到文本后还需要自行解析、校验格式，还要面对幻觉、输出格式错乱的风险。而 Jev 需要预先定义全部合法答案集合，直接返回强类型结果，无需额外解析，从根源消除格式解析异常。

两个突出特性：

1. 并行采样：Jev 可以并行处理一次请求内的全部问题；哪怕同时提交 10 个问题，响应耗时几乎不会增加。
2. 校准置信度：Jev 使用 TypeSafe 提出的**RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）**训练，以真实业务结果作为优化目标，而非单纯拟合人类偏好。整体上置信度越高，预测准确率越高，这个特性对判断是否自动执行、是否转交人工非常关键。

Jev 和 LLM 一样具备自然语言理解能力，当前仅支持纯文本输入（字符串、JSON、文本数组），暂不支持图片、音频、视频多模态。

Jev 的适用场景与局限

Jev 面向答案集合已知、高频重复的决策场景设计，适合工单分类、意图路由、内容审核、信息提取、指标打分，也可以作为其他大模型输出结果的安全护栏。 得益于多问题并行，且不会因为增加问题产生额外输出计费，可以采用 “扇出” 模式，一次性提交全部待判断问题，再交由业务代码筛选需要使用的结果。

不适用场景：凡是需要生成内容的任务都不适合，例如对话聊天、代码生成、推理过程解释等。

另外有两处重要局限：

1. 没有通用世界知识。Jev 仅能读取你传入的上下文state，不会主动调用外部工具查询信息，这也决定了基于它搭建工作流的能力上限。
2. 置信度校准属于群体统计属性。TypeSafe 明确说明，校准效果建立在大量预测样本之上，不保证单次调用结果一定正确，Jev 依然会出现判断错误。

Jev 体验渠道

可以从官方排队申请

1、在官网 https://typesafe.ai/ 加入候补名单 waitlist，务必填写附加问卷，一般 24 小时内即可通过；新用户默认赠送 5U 额度。

2、Codex 对话安装方式（也可手动下载 skill 配置文件导入操作台）：

Install the TypeSafe skill. run `npx skills add typesafe-ai/skills --skill typesafe-ai`. You can read the skill directly at https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md (raw: https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md). Then use the TypeSafe skill when working on this project.

3、回到操作台，建立 API Key。

4、在提示词开头说明 use the TypeSafe skill 即可

use the TypeSafe skill，api key 已设置到环境变量 TYPESAFE_API_KEY，ip: 1.2.3.4 访问了 https://www.gm7.org/.git/config，帮我判定是否为恶意攻击行为、对漏洞类型进行分类，同时对威胁进行打分。

除官方渠道外，有一些三方渠道也可以体验 jev，价格基本都在 $0.042 / 100 万输入 Token。

• https://openrouter.ai/~typesafe/jev-latest
• https://vercel.com/ai-gateway/models/jev
• https://developers.cloudflare.com/ai/models/typesafe/jev/
• https://www.netlify.com/changelog/typesafe-jev-ai-gateway/
• https://model.kyssta.lol/typesafe/jev-latest

Jev 接口调用参数

POST /v1/systemone HTTP/1.1
Host: api.typesafe.ai
Authorization: Bearer ${TYPESAFE_API_KEY}
Content-Type: application/json
{
"state": ${STATE},                       // string | object | array，所有问题共享的上下文
"model": ${MODEL},                       // 例如 jev-latest

"questions": {
"${noul_question_id}": {
"type": "noul",                      // yes/no 判断，返回 yes 概率
"instructions": ${NOUL_INSTRUCTIONS},
"criteria": {                         // 可选，定义 true/false 的边界
"true": ${YES_MEANING},
"false": ${NO_MEANING}
      }
    },

"${choice_question_id}": {
"type": "choice",                     // 从封闭集合中选一个
"instructions": ${CHOICE_INSTRUCTIONS},
"criteria": {                         // 必填：选项 -> 选项定义
"${option_1}": ${OPTION_1_DEFINITION},
"${option_2}": ${OPTION_2_DEFINITION},
"${no_match_option}": ${NO_MATCH_DEFINITION}
      }
    },

"${score_question_id}": {
"type": "score",                      // 按有序等级评分
"instructions": ${SCORE_INSTRUCTIONS},
"criteria": [                         // 必填：2–10 个有序等级
${LEVEL_0},                          // 低
${LEVEL_1},                          // 中
${LEVEL_N}                           // 高
      ]
    }
  }
}

响应框架

{
"model": ${RESOLVED_MODEL},
"answers": {
"${noul_question_id}": {
"type": "noul",
"noul": ${PROBABILITY_OF_YES}
    },
"${choice_question_id}": {
"type": "choice",
"choice": ${BEST_OPTION},
"probabilities": ${OPTION_DISTRIBUTION},
"confidence": ${CONFIDENCE}
    },
"${score_question_id}": {
"type": "score",
"score": ${WEIGHTED_LEVEL_INDEX},
"legend": ${LEVEL_INDEX_TO_DESCRIPTION},
"probabilities": ${LEVEL_DISTRIBUTION},
"confidence": ${CONFIDENCE}
    }
  },
"usage": {
"input_tokens": ${INPUT_TOKENS},
"output_tokens": ${OUTPUT_TOKENS}
  }
}

核心抽象就是三个部分：state 提供上下文，questions 定义一组独立的类型化判断，answers 按同样的 question_id 返回结构化结果。

安全领域典型应用场景

• 漏洞数据包智能分析
• 安全告警自动化研判
• IP 是否执行封禁的判定
• 资产风险评分
• 漏洞风险自动定级
• ...

把 Jev 接入 AI SOC 的研判流程后，可以把分类、定级和封禁判断交给它，减少大模型推理的 Token 消耗，也能缩短告警研判时间。

{
"state": "{"event_id":"123","src_ip":"14.146.259.4","rule_id":"m_rule/aab3","rule":{"rule_name":"sky"},"attack_type":14,"attack_type_str":"Info Leak","timestamp":"1789265201","site_uuid":"6","website_name":"测试-https","website":"https://www.gm7.org/_profiler/phpinfo.php","action":{"value":1,"translation":"Deny"},"risk_level":"Medium","count":52}",
"model": "jev-latest",
"questions":
    {
"vulnCategory":
        {
"type": "choice",
"instructions": "是对应的哪一种攻击类型？",
"criteria":
            {
"注入类": "攻击者通过可控输入，拼接恶意语句交由后端解析器执行，如SQL注入、命令注入、模板注入等",
"配置类": "系统、中间件、云资源等运维部署配置不当引发风险，如默认密码、开启目录浏览、危险调试模式等",
"信息泄露类": "系统对外非预期暴露敏感信息，如源码备份泄露、堆栈报错泄露、密钥与用户隐私泄露等",
"权限越权类": "鉴权校验缺失，低权限用户访问或操作非自身/高权限资源，包含水平越权、垂直越权、未授权访问",
"认证会话类": "身份认证、会话管理存在缺陷，如弱口令、验证码失效、会话固定、Cookie安全属性缺失",
"跨站类": "前端输出过滤不足，包含XSS跨站脚本、CSRF跨站请求伪造",
"代码执行类": "可直接执行用户可控代码或系统指令，含反序列化漏洞等",
"业务逻辑类": "业务流程设计缺陷，通过篡改业务流程实现违规操作，如支付篡改、短信轰炸、风控绕过",
"文件上传类": "上传校验不严，可上传恶意脚本文件并触发解析执行，如图片马、后缀绕过上传",
"第三方组件类": "框架、中间件、依赖组件本身存在原生CVE漏洞"
            }
        },
"threatScore":
        {
"type": "score",
"instructions": "判定该事件对应的威胁评分（CVSS 0~10分）",
"criteria":
            [
"0|无风险：属于正常访问、误报，不存在可利用安全隐患",
"1|低危：仅少量非敏感信息暴露，利用条件苛刻，危害有限",
"2|中危：可获取部分敏感信息，存在被进一步利用的可能性",
"3|高危：可读取敏感数据或有限执行命令，存在较大业务与资产风险",
"4|严重：可直接获取服务器权限、核心数据，可快速拿下全站，影响范围极大"
            ]
        },
"needBlock":
        {
"type": "noul",
"instructions": "分析该安全事件，判断是否需要对源IP执行封禁操作",
"criteria":
            {
"true": "需要封禁：攻击者持续发起攻击，存在明确恶意行为，封禁可有效降低安全风险",
"false": "无需封禁：属于误报、单次探测行为，无持续攻击意图，封禁会影响正常业务访问"
            }
        }
    }
}

其他实践案例

• 极速浏览器 Agent^[1]
• 实时游戏决策^[2]
• 股票交易 - 【别试，会亏钱】^[3]
• ...
• 合集 awesome-jev^[4]

参考

• https://www.eigent.ai/zh-CN/blog/typesafe-ai-jev-system-one-models
• https://wavect.io/zh/blog/jev-ai-decision-model-review/
• https://x.com/ai_xiaomu/status/2101135680168771979?s=46
• https://x.com/mileson07/status/2101167448448004249?s=46

参考资料

- END -