Jev AI: https://typesafe.ai

一、誕生背景與命名由來：為自動化痛點而生

Jev 由 TypeSafe AI 開發，創辦人 Diogo Almeida 曾是 OpenAI 團隊成員，也是 RLHF（來自人類回饋的強化學習）與 InstructGPT 相關研究的共同參與者之一。他在離開 OpenAI 後，花了兩年時間研發全新的訓練方法，最終打造出 Jev。

Jev 的名稱取自經濟學家 William Stanley Jevons，呼應經濟學著名的傑文斯悖論（Jevons Paradox）——當一種資源的使用效率提高、成本大幅下降時，人們對該資源的需求反而可能成長。

在現行的 AI 自動化工作流中，許多環節僅需做單純的判斷（如「信件是否要回覆」、「客戶單據該轉交哪個部門」、「留言是否為廣告」）。傳統做法是調用大型語言模型（如 GPT 或 Claude）來處理這些單純的判斷題，可能增加預算，也拖慢整體運作速度。Jev 的出現正是為了填補這個缺口，作為工作流中的高效決策節點。

二、核心運作機制：選擇題取代申論題

傳統的大語言模型運作方式如同撰寫「申論題」，需要逐字生成答案；輸出越長，生成所需的時間通常也越多，同時也伴隨著產生「AI 幻覺」的風險。

相反地，Jev 的運作模式如同撰寫「選擇題」。使用者提供一份資料及一個或多個問題；若是單選題或打分題，還需預先設定選項或評分階梯。

收到請求後，Jev 不會自行撰寫文本，而是回傳預先定義格式的判斷結果與機率。由於其輸出被限制在給定的選項範圍內，不會自行編造新選項；但它仍可能選錯，因此不能將「不產生新選項」視為「判斷不會出錯」。根據 TypeSafe AI 公布的數據，回應時間約為 70 至 500 毫秒。

在成本與速度方面，TypeSafe AI 的特定決策型工作流測試顯示，Jev 相較受測的大模型具有明顯的速度與成本優勢；實際差距仍會因任務與比較對象而異。其公布的價格為每 100 萬輸入 token 0.042 美元，輸出不另計費。

三、支援的三大決策題型

Jev 目前能處理的邏輯判斷主要分為三種型態：

  1. 是非題（Noul）：輸入敘述後，模型回傳 0 到 1 之間的機率。例如詢問「這份發票是否有詐騙疑慮」，若回傳 90% 的機率，自動化系統可將案件標記，交由人員進一步複核。
  2. 單選題（Choice）：使用者可自訂最多 255 個選項，並為選項附上說明。Jev 會挑出最合適的選項，並附上各選項的機率，常用於信件分類或工單路由。
  3. 打分題（Score）：用於評估程度問題。使用者可設定 2 至 10 個階梯的光譜（如從 0 分的「無預算學生」到 3 分的「預算充足大企業」），Jev 可回傳介於階梯之間的分數（如 2.9 分），以便系統通知業務優先跟進高價值客戶。

四、落地案例：建構高效且安全的 AI 客服系統

在企業應用中，Jev 可以擔任自動化流程的第一站與最後一站。以下是一種可行的客服系統設計：

  1. 第一站：前端路由與標籤化 當客戶提出客訴單時，系統可透過一次 Jev 請求，並行完成五項判定：分類（帳務／系統／其他）、嚴重程度、是否要求退款、是否附帶操作步驟，以及客戶情緒狀態（平靜／不耐／憤怒）。系統隨後根據這些結果與預設規則，將工單派送給對應部門。
  2. 第二站：大模型生成回覆文本 確認問題類別後，再由具備語言能力的大模型代筆撰寫客製化的回覆信件。
  3. 最後一站：品管與安全把關 信件發送前，再次呼叫 Jev 進行審查，檢查回覆是否切中問題、語氣是否合適，以及是否可能洩漏公司內部機密。對於有疑慮的回覆，系統可交由人員複核，以降低直接發送錯誤內容的風險。

五、結論

Jev 的出現代表了 AI 自動化思維的轉變：除了問哪個模型最強，也要問哪個模型最適合當下的工作流步驟。

將強大的大模型用於生成回覆，配合快速且平價的 Jev 處理範圍明確的判斷，開發者與企業有機會以更低的營運成本與更高的運作效率，打造更穩健的自動化應用系統。