TypeSafe AI 是一家 AI 实验室，官方定位为“构建机器原生智能基础设施（machine-native intelligence infrastructure）”，目标是让软件内部能够做出决策并实现自动化。其首个公开的模型是 System One Model 系列中的 Jev，现阶段提供早期访问（early access）。
【用途与定位】 TypeSafe AI 认为，基于人类反馈的强化学习（RLHF）让 LLM 被优化为迎合人类偏好，从而在指令遵循上表现超人，也就是如今所谓的“聊天（chat）”。但 RLHF 会带来模式坍缩（mode dropping）、过度自信和缺乏可靠性等固有问题，使得 LLM 往往需要人类介入（humans-in-the-loop）。因此，TypeSafe AI 选择相反的研发方向，构建一类由机器原生使用的模型——System One Models，并采用新架构、新采样器以及新训练算法：Reinforcement Learning for Calibrated Decisions（RLCD）。
【主要能力】 据官方介绍，Jev 的核心特点是输出“决策而非字符串（Decisions, not strings）”：返回软件可操作的带类型输出（typed outputs/typed decisions）。每个决策都附带模型自身对置信度的估计（calibrated confidence）。官方称其可靠、快速且类型安全，并强调“零幻觉（Zero Hallucinations）”——因为每个决策都带有置信度估计，软件可以在置信度高时执行、置信度低时升级处理。用户可在代码中设定阈值，决定何时自主行动、何时请求复核，并把这些决策组合成更大的工作流，同时控制智能的使用方式。
【性能与对比】 官网展示的数据称，其方案比对比方案快 193.6 倍、便宜 444.6 倍（基于 System One 任务的 workflow，并附有证明链接）。页面以“Completed in 0.114s”对比“Completed in 8.566s”作为示例，并称“Jev 的每美元智能超出图表（off the charts）”，附有“Workflow Intelligence vs. Cost”图表说明。官方还提到其输入价格低于 Claude Fable 5.1（按每十亿输入 token 计）。
【使用方式】 官方说明的使用方式为：向 Jev 发送结构化问题，获得带类型、带概率和置信度的决策，由软件据此采取行动。用户可通过设定阈值来控制自主执行与人工复核的边界，并在代码中组合这些决策以构建更大工作流。官网提供“Try our first System One Model, Jev, in early access”，以及博客、常见问题与联系方式，用于入门或提问。
【适用场景】 面向自动化（Built for automation），适合需要在软件内部进行可校准决策、对可靠性和速度有要求、并希望用置信度来管理不确定性的工作流场景。官方称其“Workflow Intelligence vs. Cost”表现突出。
【限制与暂未提供】 官方资料中未提供具体的定价数值、完整 API 文档、可用平台列表或详细的使用步骤。其页面标注版本 Version 0.01、日期 2026 年 10 月 12 日（含 Monday, Oct 12, 2026 等字样），并包含部分编码后的内容（如一段 C 语言代码、一段 Base64 文本和一张 base64 图片），这些内容不足以确认为功能说明。Jev 目前为早期访问，可能尚未全面开放。
【常见问题（官方列出）】 官方 FAQ 标题包括：什么是 System One Models？什么是 Jev？Jev 是不是更小的 LLM？与 JSON 模式或结构化输出有何不同？Jev 为何如此快速且便宜？能否让 Jev 更快？这些价格是临时的还是补贴的？Jev 擅长什么、在哪里会吃力？Jev 仍会出错吗？Jev 是确定性的吗？如何开始或提问？但资料中仅列出问题标题，未提供对应答案内容。