Jev是一款面向机器结构化决策的专用模型。9月15日，TypeSafe发布Jev。与传统大模型不同，Jev的定位是面向机器结构化决策的底层模型。开发者预先定义问题及可选答案空间，Jev基于输入状态直接返回结构化结果及概率分布，使输出结果能够直接被程序调用，从而减少传统大模型生成文本后再进行解析、校验等额外环节。
　　低延迟、低成本与高可靠性构成Jev的核心竞争力。一是响应速度和价格优势明显。Jev采用并行推理，端到端响应时间约为70-500ms（前沿模型响应时间通常在3s以上）。价格上，模型输入Token价格仅为＄0.042/1M tokens，输出Token则完全免费。二是模型输出更贴近实际经验决策。Jev训练过程中采用RLCD方法（校准决策强化学习），核心目标是提示模型置信度与实际正确率之间的匹配程度，从而便于开发者根据置信度设置自动执行、人工确认或升级至更强模型等不同处理路径。三是结构化输出的可靠性较强。根据TypeSafe官方数据，Jev在结构化输出及工具调用场景中的错误率均为0%，而前沿模型的错误率通常在0.5%以上。
　　能力边界决定Jev难以替代通用大模型，更适合作为Agent体系中的决策模块。Jev的优势建立在任务边界清晰、输出空间确定的基础上，其输入为开发者定义的状态信息和结构化问题，输出则受到预定义选项或评分体系约束；因此，其并非主要用于开放式问答、代码生成或长文本内容生成等场景。我们判断，Jev与传统大模型更可能形成互补关系，可作为Agent工作流中的“小脑”或决策层。一方面，目前Agent任务，特别是在多Agent/端云协同工作流中，包含大量路由、分类、验证和判断等决策环节，使用Jev处理能够显著降低推理延迟和调用成本。另一方面Agent任务中，很多子任务本质是针对已知答案集的高频重复决策。使用Jev能够处理大部分确定性任务，仅将低置信度、需要理解与生成能力的复杂任务交由传统大模型，提升Agent的整体工作效率。
　　我们认为，确定性任务占比越高、调用频率越高，对响应时延越敏感，Jev的潜在价值越明显。典型场景包括：①多Agent/端云协同中的路由、分类与任务分发②AI客服、风控、审核等高频标准化决策③企业内部自动化流程中的规则判断④游戏、具身智能等实时交互场景中的状态判断、动作选择及任务路由。
　　相关公司（以下公司均未评级）：
　　汉得信息、迈富时、金蝶、迅策、鼎捷数智、仙工智能等。
　　风险提示：AIAgent商业化及渗透进度不及预期；专用决策模型技术迭代及商业化进展不及预期等