2026 年 9 月，TypeSafe AI 发布了 Jev，一种被称为“决策模型”（Decision Model）的新型 AI 模型。与传统大语言模型主要生成文本不同，Jev 的核心是直接输出数值，用于表达判断结果。
Jev 提供三类核心能力：
- noul 判断某个条件是否成立，返回 0～1 的概率；
- choice 从预定义选项中选择答案，并返回各选项的概率；
- score 根据指定标准进行评分。
多个问题还可以在一次 API 请求中并行评估。
这种设计的价值在于，模型输出可以直接接入程序逻辑。开发者不必解析冗长的自然语言回答，就能完成排序、过滤和阈值判断。原本依赖人工阅读的任务，也因此有机会转化为自动化流程。
不过，概率或分数并不等于客观事实。模型返回 0.99，不代表结论必然有 99% 的正确率；评分结果也可能受到数据偏差和评价标准的影响。此外，单一数值通常无法解释模型为何作出这一判断。Jev 适合承担自动化评估任务，但不应被视为可靠的事实裁判。
应用示例：为浏览器实现语义查找
传统浏览器的 Ctrl + F 依赖关键词匹配。如果用户搜索“青少年时代”，网页实际写的是“他在十五岁时离开家乡”，普通查找可能无法命中。Jev 可以将这个问题转化为相关性评分。
实现步骤：
- 提取网页内容。 使用 JavaScript 获取网页正文，将内容按段落切分，并保留段落编号和原文。
- 构造判断任务。 将用户搜索词和段落一起提交给 Jev，要求判断该段落是否与搜索意图相关，并返回分数。
- 执行批量评分。 对所有段落进行评估，保存段落编号、文本和分数。实际开发中可采用并发请求、批处理和缓存控制成本。
- 排序并展示结果。 按分数降序排列，展示最相关的几个段落，并提供点击定位功能，让用户直接跳转到原文位置。
例如，用户搜索“青少年时代”，模型可能为描述人物少年经历的段落打出 0.94 分，为介绍其成年后工作的段落打出 0.18 分。程序据此优先展示前者。这里的数值仅为示例，并非 Jev 的实测结果。
需要注意，语义查找的效果取决于模型能力、评分校准和网页内容质量。生产环境还应设置相关性阈值，避免把低相关结果强行展示给用户。
Jev 的意义在于提供了一种新的 AI 集成方式：不要求模型生成完整答案，而是让模型输出可以直接参与计算的判断结果。 这种模式有望应用于搜索排序、内容审核和质量评估，但自动化程度越高，越需要验证评分可靠性，并为重要决策保留人工复核机制。
