Jev 的「不会幻觉」，官方自己在脚注里打了折
alitrack约 6 分钟写这种代码的人应该不少：让模型判断一段文本属于哪一类，它回一段 JSON，你拿字符串去匹配。它偶尔加一句解释、换个字段名、或者干脆输出「是的，因为……」，解析就崩了，后面的流程全得重来。
这两年有个做法是把「生成」这一步拿掉：不让模型写字，直接读它在几个候选答案上的概率。TypeSafe AI 的 Jev 是这条路上目前最响的一个，9 月 15 日发布，自称第一个 System One 模型。
结论先放这儿：Jev 说的「不会幻觉」指的是它不会输出非法格式，不是不会判断错；而这个折扣，是官方自己在脚注里打的。
● ● ●
它不生成文字，只给选项和概率
Jev 不是 LLM，它不吐任何 token。你给它一段 state 和一组问题，它一次前向把全部答案连同概率一起交回来。
两种拿答案的方式
一次请求里的所有问题是并行回答的，官方写的是「一个问题的答案不会成为另一个问题的上下文」。定价是输入 $0.042 / 百万 token、输出免费，单请求 64k 上下文，其中 state 加最长那条问题不超过 32k。
不生成 token 的直接好处就一句话：调用方拿到的是「一个选项 id 加一个概率」，不存在格式解析失败。那句传遍技术圈的「can't hallucinate」，就是从这儿来的。
● ● ●
官方自己在脚注里，把它改成了一句更小的话
发布博文里那句话是完整的：「While Jev gives up string generation, it's optimized for structured outputs and can't hallucinate.」
配图上是 0% 的幻觉率，脚注里写着这 0% 是怎么来的：「Our number is not empirical. Schema matching is guaranteed, thus we can confidently add 0% into the plots.」，不是实测出来的，因为格式匹配是数学上保证的，所以可以放心地把 0% 加进图里。
同一天上线的文档，口径和脚注一致。校准页写的是「在成组预测上测的校准，不保证某一个答案是正确」；FAQ 里写的是「Jev 保证的是它答案的形状，不是每个决定都对」。
把这些句子放在一起，意思很清楚：格式错的概率被结构消掉了，判断错的概率一点没消，只是它不再叫幻觉。
三级收窄
● ● ●
官方自己列了 9 条「它会怎么错」
发布两天后，官方上线了 jaggedness 页，逐条列出 Jev 1.13 的失败模式。写这篇文章时最该带走的四条是：
最后一条最值得记住：它会给你概率，但同一批概率之间不一定自洽。Noul 给出的 0.22 和 Choice 里 yes 的 0.01，官方自己说这两个数不可换算。
这份清单本身就是一份「不许问它什么」的说明书。它比任何第三方评测都实用，因为是官方自己写的，也没法被说成外人不懂。
● ● ●
创始人自己在评论区认了
HN 上那篇发布帖拿到了 1890 分。有位评论者说「这基本上就是个 zero-shot 分类器」，创始人 Diogo Almeida 回了两个字：「exactly right!」。同一帖里他还有一句让步：「因为这些模型是概率性的，它也可能非常自信地错。」
另一个高赞评论只有一句话：「Type safety is not factual correctness.」类型安全不是事实正确。这句话大概是对这场发布最省字的总结。
● ● ●
快 193.6 倍是真的，只是没说比谁快
首页上那两个数是快 193.6 倍、便宜 444.6 倍。同一篇里官方自己标了「我们预期这些是真实收益里偏高的一档」；评测跑在自家西海岸的笔记本上；题目是自家四个 workflow；参考答案是 GPT-6 Astra 与 Claude Fable 5.1 高思考档逐题作答的平均值，官方也承认这偏向这两家的模型。
官方明说不发公开基准：「We deliberately chose not to publish performance against public benchmarks.」
真正调过它 API 的第三方有几份，数字差得很开，这也是我一行行去核的原因：
NearHere 那组最有参考价值：把基线换成便宜的小模型，193.6 倍就变成大约 5 倍快、8.6 倍便宜。引倍数必须带上对手是谁，换了对手就换个数。
倍数的口径
顺手记一条方法论：热度最高的帖子不是最好的证据。主帖 1890 分，而真跑过 API 的实测帖，一个 1 分、一个 2 分。看一个新模型的发布，值得专门去把低分的实测帖捞出来。
● ● ●
回到开头那段解析代码
把「写一段话再解析」换成「在选项里读概率」，消掉的是一整类失败：格式解析、字段漂移、多余解释。Jev 把它做成了产品，这条路值得跟。
它没有把幻觉消掉，只是把它挪了个地方。答案永远落在选项集合里，概率永远在 0 和 1 之间，这两条都不是「判断对了」。判断错的时候，它还会给出一个看起来很确定的数字；而需要数数、需要算术、state 里塞了无关细节、或者输入里混进了别人写的话时，那个数字尤其不能当证据。
所以真要引入这类东西，模型调用那一行好换，验收方式难换：不再盯着 JSON 能不能解析，而是拿你自己那批有标准答案的样本去对答案，并且专门测三格：state 拉长之后准确率掉多少、输入里混进对抗性文字之后答案动不动、同一批问题的多个概率之间是否自洽。
类型安全消掉的是格式错误，判断错误还得靠你自己的样本集去发现。
你打算把它用在哪一格：审核分类这种单问单答、多问题批量打分、还是嵌进 agent 当一个门控？评论区说一声，我按票数把那格拆开测。
● ● ●
参考来源
- 01
TypeSafe AI 发布博文《Introducing System One Models and Jev》：https://typesafe.ai/blog/introducing-system-one-models-and-jev - 02
官方文档（模型规格 / 三原语 / 校准 / jaggedness 页）：https://docs.typesafe.ai/ - 03
官方评测站：https://evals.typesafe.ai - 04
Hacker News 讨论帖：https://news.ycombinator.com/item?id=49717558 - 05
Emil Lindfors 的挪威语实测：https://lindfors.no/blog/a-first-look-at-typesafes-jev/ - 06
NearHere（Jon Reed）的事件审核实测：https://nearhere.events/blog/typesafe-jev-mistral-gemini-event-validation - 07
Cribl 的日志分类实测：https://cribl.io/blog/what-typesafes-jev-means-for-telemetry/