TypeSafe AI 在 AI Gateway 发布 Jev 1.14 决策模型，接收状态和问题后返回带概率的类型化 Choice、Score 和 Boolean 答案，而非自由文本，可并行完成分类、路由、评分和自动验证。新版本支持图像输入，并提供实验性长上下文模式处理超长文档、日志或对话。模型名为 typesafe-ai/jev-1.14.0，支持零数据保留和不训练。

Jev获a16z领投8.7亿美元融资，估值24天内增长37倍至75亿美元。其决策模型不聊天、不写代码，仅对给定选项输出校准概率，用于Agent中大量分支判断，兼顾低成本与低延迟。微软、OpenAI、vLLM相继入局，多基于千问模型。Jev不取代大模型，而是成为Agent基础设施，让微小判断也值得调用AI。

TypeSafe AI的决策模型Jev迅速走红，24天内完成8.7亿美元A轮融资，估值达75亿美元。Jev不聊天只做判断，输出免费，已被三分之一财富500强采用。创始人Diogo Almeida来自OpenAI，主张AI应做后台工具而非聊天助手。微软、OpenAI、Cloudflare随即跟进同类产品，赛道竞争升温。

2026年10月，AWS发布基于阿里Qwen3.5的开源决策模型Strands Decider 2B，接口与TypeSafe AI的Jev相同。该模型接收应用状态和类型化问题，返回带概率的结构化答案，不生成文本，充当AI应用的判断层。TypeSafe的System One模式正成为行业标准，AWS、Upstage、Ollama等纷纷兼容。但研究显示Jev决策可被对抗性上下文误导，且OpenAI可能推出竞争性模式。

Liquid d1 决策模型已上线 AI Gateway，可针对共享状态回答类型化问题，用于分类、路由和评分，返回带概率的结构化答案，不生成文本，并支持图像视觉分类与评分。可通过 AI SDK、OpenAI 兼容及 TypeSafe 兼容 API 调用，决策请求会计入日志与预算。

OpenAI Decisions API 已在 AI Gateway 上线，可通过兼容 OpenAI 的 /v1/decisions 端点调用。该模型针对共享输入回答带类型的问题，返回概率、选项和分数而非生成文本，适用于路由、分流、护栏和评分，并支持在一次请求中同时提出是非、选择和评分问题。需使用指定版本的 OpenAI SDK 或 AI SDK。

TypeSafe AI CEO Diogo Almeida批评公开基准易被操纵，主张以真实工作流评估模型。其公司推出决策模型Jev，日处理量破万亿token，强调可靠性、可编程与低成本，反对盲目预训练和传统安全对齐，认为AI应退居幕后，拉动全要素生产率增长。

AWS发布Strands Decider 2B决策模型，基于开源Qwen3.5-2B，将文本生成头替换为评分选项的指针头，用于路由请求、选择工具和校验输出。模型可下载，含训练数据与脚本，决策延迟低于100毫秒，在JevBench约20亿参数公开模型中排名第二。AWS称正开发集成库，云端托管版尚不确定。

Databricks推出AI函数ai_decide，基于决策模型而非LLM，能快速低成本地对文本做分类、评分和选择，适用于模型路由、文档处理、智能体评估等场景。它支持SQL和REST API，可在秒级内返回决策，适合实时应用，目前已开放Beta测试。

2026年9月，Jev、Laya等决策模型将“判断”从生成中剥离为独立基础设施：一次前向传播返回带概率的选项、分数或布尔值，答案空间预先锁定，并用RLCD训练校准置信度，高置信度自动执行、低置信度转人工。.NET生态随后跟进，出现NLaya、layar两个移植版，TensorSharp、Sezika两条原生路线，以及统一客户端SystemOneSharp。OpenClaw.NET的PR #246与#255演示了接入生产所需的校准、影子模式、回滚等护栏，最终收敛为纯.NET技术栈。核心规律：成本优势上限等于弃权率的倒数。

OpenClaw 引入决策模型机制，通过 Plugin SDK 共享 API，让 AI 智能体在工具选择、上下文压缩等高频场景快速判断，无需每个插件单独集成模型。决策模型接收证据与标准，直接返回结构化答案，避免大模型反复调用。该配置完全可选，不启用不影响原有功能，旨在降低延迟与成本，但准确率略有下降。

Jev是TypeSafe AI的决策模型，根据状态文本和问题输出概率、选项分布及期望评分，用于工单分派等场景。文章将其与古代占卜对比：两者表面相似，但Jev提供可校准、可验证的概率，占卜则用模糊叙事制造意义感。核心差异在于Jev摊开随机性，占卜隐藏随机性，而人类往往更渴望叙事闭合而非精确概率。

Kev是Jared Palmer基于Qwen 3.5推出的开源决策模型系列（0.8B、4B、9B），采用仅预填充架构，跳过文本生成，通过指针头直接输出决策概率，支持Noul、Choice、Score三类决策，兼容TypeSafe的System One API。最大模型Kev-9B在域外测试达83.7%准确率，但概率校准可能漂移，微调后通用知识与算术能力下降。模型以Apache 2.0开源，权重、训练代码和评估工具均可获取。

文章讨论 Jev 这类 System One 决策模型：它接收状态与有限候选，直接返回概率，省去生成 JSON 的中间步骤。作者在 Free4Chat 的 Arena 实验中用它做游戏实时决策，结果不如确定性脚本稳定，延迟约 300ms。结论是 Jev 适合候选空间已明确的分类、路由、评分等场景，而非开放控制；前提是 Harness 先把世界整理好。

Jev与Laya代表两类决策模型：Jev为闭源API，支持类型化输出与64K上下文，端到端延迟236毫秒起，无需微调；Laya为开源底座，单卡前向仅32.8毫秒，但零样本准确率仅0.362，需微调且窗口仅512 token。二者定位不同，选择取决于标注成本与API成本。核心启示是决策层与生成层应分离。

Bespoke Labs开源9B决策模型Nimble，采用“系统一”方式，一次前向传播直接输出类型化答案及概率，两天训练完成，在324条样本上准确率90.12%，超过未微调27B模型，可在MacBook本地运行。但其概率未经校准，评测集小且为合成数据，模式扁平、字段独立评分，并非真正的Jev替代品。

Jared Palmer 开源了基于 Qwen2.5-0.5B 微调的决策模型 kev-0.5b，采用指针读出头替代自回归解码，单次前向传播即可并行回答多个问题，在 MacBook 上训练仅需 1 小时 45 分钟。测试集准确率达 79.9%，接近闭源模型 Jev 的 81.1%，且概率校准更优；但域外迁移准确率仅 63.3%，与 Jev 相差 19.1 个百分点，仍是待解难题。

2026年9月，前OpenAI研究员阿尔梅达发布决策模型Jev。在1565封商务邮件分类测试中，Jev准确率为96.4%，略低于Gemini的98.5%，但响应仅需70至500毫秒，成本极低。Jev采用并行采样与校准置信度，输出结构化判断，适合生产环境。文章指出，错误分布和可预测性比整体准确率更重要，Jev在速度、成本与工程可控性上占优。