{ "aboutHtml": "

Jev 是 TypeSafe 的旗艦模型，也是新類別 System One 的首個模型。它不撰寫文字，而是快速做出程式可直接使用的決策：傳入狀態（state），即文字或 JSON，以及一組問題，便會取得具有校準機率的特定型別的值。

語言模型為人類撰寫文字；依 TypeSafe 的說法，Jev 更接近程式碼：回答直接採用程式需要的形式、速度快，而且不會產生指定選項以外的值。模型的設計目標，是在重複請求時提供穩定回答。

System One 與語言模型有何不同

不生成內容。 Jev 不替使用者撰寫回答，不寫程式碼，也不解釋推理過程。可能的回答由您透過三種問題型別中的一種指定。
以校準決策為訓練目標。 TypeSafe 使用 RLCD（Reinforcement Learning for Calibrated Decisions，校準決策強化學習）訓練模型，讓機率貼近實際結果並反映不確定性。在大量機率為 0.8 的回答中，理應約有 80% 正確。校準是大樣本的特性，不保證個別回答正確。
訓練目標不同。 聊天模型透過 RLHF 學習讓人滿意；依 TypeSafe 的觀察，這會鼓勵迎合，以及聽起來自信的錯誤回答。RLHF 的共同作者之一 Diogo Almeida，是 TypeSafe 的共同創辦人。

名稱源自 Daniel Kahneman《快思慢想》中的「系統 1」：快速的直覺判斷，對應「系統 2」緩慢且經過思考的推理。Jev 用於快速、範圍明確的判斷。

三種問題型別

每個問題對狀態做出一項判斷；回答是可由程式與門檻比較、排序或傳往下一步的值。

Choice：選擇選項。 例如客服案件的承辦部門、商品類別，或程式碼片段的語言。選項以「選項 → 說明」的字典提供，最多 255 個。回答包含所選的 choice、所有選項的 probabilities（總和為 1），以及信心值 confidence。若清單可能未涵蓋所有情況，請加入「其他」或「以上皆非」。
Score：依尺度評分。 在您描述的有序尺度上選擇位置，例如錯誤嚴重性、客戶不滿程度或技能水準。可有 2 至 10 個等級，由低至高排列；模型分別評估每個等級，不會看到其編號或相鄰等級。回答包含 score（各等級編號乘以其機率後加總，因此可能介於兩個等級之間）、說明各等級的 legend、probabilities 及 confidence。
Noul：是或否。 判斷一項陳述是否成立。回答 noul 是「是」的機率，介於 0 至 1：接近 1 表示有把握的「是」，接近 0 表示有把握的「否」，接近 0.5 表示模型猶豫。沒有獨立的 confidence；單一數值即可完整描述回答。非必填的 criteria 可進一步說明哪些情況算「是」、哪些算「否」。

選擇方式：已知且無順序的選項使用 choice；連續程度中的等級使用 score；單純判斷「是／否」，且重視機率本身時使用 noul。Noul 為 0.5 代表「是」與「否」的機率相同，不是「中等程度」；程度應以 score 衡量。若有兩種型別都適用，請選擇程式能直接據此行動的型別：choice 用於分支，score 用於門檻，noul 用於 if。

可在同一請求中混用不同型別。回答始終限制在您指定的選項中，且不受其他問題影響；增加或移除問題，不會改變其餘回答。

狀態

狀態是模型要評估的內容，例如客戶訊息、文件片段、資料庫紀錄，或應用程式的狀態。

字串：適用於單一文字內容，例如訊息、文章或摘錄。
物件：適用於具名欄位、關聯紀錄及應用程式狀態。TypeSafe 建議大多數請求使用物件，讓每一部分都有明確名稱。
陣列：適用於訊息或紀錄的序列。

如同準備給專家的資料：若決策需要比較對話、訂單及退貨規則，就將它們放在一起。內容放在狀態中，判斷放在問題中。若問題只涉及狀態的一部分，請以反引號標示其路徑，例如 ticket.messages[0].text。

如何提出問題

每個問題只做一項快速判斷。 好問題是熟悉情況的人能在一秒內回答的問題，例如「這則訊息是否有急迫性？」。「分析訊息並決定該怎麼做」已是較慢的推理，應拆成簡單問題。
完整問題放在 instructions。 問題的鍵，例如 refund_requested，只供您的程式使用，不會傳給模型。
同一狀態的所有問題放在同一請求。 模型平行評估；依 TypeSafe 說明，額外問題幾乎不增加回答時間，只計入自身的 token 成本。預先多問一題的成本幾乎可忽略，程式再自行決定需要哪些回答。
複雜判斷拆開處理。 與其要求「評估新創公司的申請」，不如分別詢問市場規模、技術可行性及競爭差異，再於程式中加權計算結果。優先順序變動時，調整權重即可，不必改寫問題。
相依問題放在第二個請求。 同一請求的回答不會成為彼此的上下文。只有無法在取得第一個回答前組成後續請求時，例如需要載入資料或選擇下一題的選項，才需要第二個請求。
長問題使用物件。 instructions 與 criteria 通常是字串，也可以是物件或陣列：一個欄位放問題，其他欄位放資料。這樣可用單一問題方便地比對履歷與資料庫紀錄。

信心值

choice 與 score 的 confidence 介於 0 至 1，表示機率集中在單一回答的程度：1 代表全部集中於一個選項，0 代表平均分配給所有選項。對 score 而言，相鄰等級對信心值的降低，比距離較遠的等級小。noul 的信心直接反映在數值本身：離 0.5 越遠，回答越確定。

TypeSafe 建議分為三個範圍：

高信心：自動執行操作。
中信心：謹慎行動，例如請使用者確認。
低信心：交由人員處理、釐清請求，或使用備用路徑，例如較強的推理模型。

錯誤代價越高，門檻就應越嚴格；不可逆的操作應比讀取操作採用更高門檻。回答指出該選什麼，信心值則協助判斷是否應行動。請以自己的資料比較信心與正確率，設定門檻。

如何圍繞 Jev 建立系統

Jev 的設計對象是由程式碼控制流程、模型回答狹窄語意問題的程式，而非自行選擇下一步、每次循環都可能偏離方向的代理。TypeSafe 提出八個設計步驟：

凡是能用程式碼完成的事，就用程式碼完成，可靠且成本低。
狀態只放目前問題需要的內容；新事實來自自己的知識庫，而非模型記憶。
狀態保持結構：使用巢狀 JSON；若能減少歧義，在問題中以反引號標示所需欄位路徑。
問題盡量狹窄、具體。依 TypeSafe 的說法，這或許是最重要的規則：寬泛的問題會將多項判斷藏在同一回答中。
問題也保持結構：主問題簡短，說明、範例與資料庫中的值，放在 instructions 或 criteria 物件的其他欄位，而非塞進同一條長字串。
同一狀態的多項獨立問題放在同一請求，提高每一美元的效益。
由程式碼整合回答，可使用規則、加權總和，或作為傳統機器學習模型的特徵。
依信心值分支：不確定的情況交給人員或推理模型。

Jev 不是聊天模型，也不是程式碼自動完成模型，不能直接取代程式開發代理中的語言模型。但代理可替您撰寫程式，在需要快速且經過校準的回答時呼叫 Jev。

使用情境

背景自動化：在無人值守的情況下，重複執行一百萬次的決策。
即時處理：依 TypeSafe 說明，多數請求約在 100 毫秒完成，足以進行即時資料處理及介面互動。
大量資料：搜尋龐大資料集、標記代理工作紀錄，以及建立預測特徵。
檢查其他模型：檢查請求、擷取內容、推理與工具呼叫，辨識繞過限制、引用錯誤及捏造內容。
搜尋與排序：判斷「查詢 — 候選項」配對的相關性、重新排序及篩選上下文。
依意圖分流：判斷使用者需求與處理方式，例如簡單邏輯、專門模型或人員；主題、複雜度及風險決定應交給哪個語言模型。
防護檢查：檢查語言模型的輸入、輸出與工具呼叫，包含注入指令、違反規則及個人資料外洩。
客服：案件主題與意圖、急迫性、不滿程度、流失風險、退款要求及佇列安排。
內容審核：依平台規則檢查有害言論、霸凌、垃圾訊息、詐騙、危險建議及個人資料；再依嚴重程度與信心值決定放行、警告、人工檢查或封鎖。
產業應用：保險案件、金融調查與 KYC、合約及廣告、商品頁、人員招募、潛在客戶、遊戲、風險、需求預測、知識圖譜、科學文獻回顧，以及 CI 中的程式碼語意檢查。

特性

jev-latest：最新穩定版本的別名，目前為 Jev 1.13；實際回答版本會出現在 model 欄位，例如 jev-1.13.0。推出新版本後，別名會指向新版本，回答可能在您未修改程式的情況下改變。若門檻是依特定版本調整的，請留意此欄位。
上下文：每項請求為 64K token，包含狀態及所有問題；狀態加上最長問題，最多為 32K。模型只讀取狀態一次，再平行評估所有問題。
輸入：僅文字，可為字串、JSON 物件或文字陣列。尚不支援圖片、音訊與影片，應先轉成文字。
語言：主要訓練語言為英文，目前以英文的正確率最高。也接受其他語言，包括中文、日文與韓文，但正確率較低，應以自己的資料驗證。
Ailoot API 的價格與計費 — 條件依所選方法而定，並列於該方法的卡片中。
設定：Jev 不以客戶資料微調。自有資料放在 state，領域規則放在 instructions 與 criteria。
資料：TypeSafe 表示，Jev 不會以客戶的請求與回答進行訓練。

Jev 1.13 的已知弱點

TypeSafe 公開列出目前版本的弱點，並表示未來版本會改善許多部分。模型速度快、機率經過校準，也擅長常識判斷，但仍有下列限制：

按字面理解。 回答寫出的問題，而非隱含的意思；保留條件、否定及隱含條件都按字面解讀。請在 criteria 寫出精確條件與邊界情況；無法避免的解讀，拆成兩個字面問題。
不是計算機。 字元、重複項與清單元素的計數不可靠，資料量越大，錯誤越容易增加。請在程式碼中計數，每個候選項各問一題。模型對 hex 或 RGB 色彩的理解，不如顏色名稱。score 適合門檻判斷，不適合取得等級間的精確數字。
日期與時間。 比較日期先後、計算間隔或判斷是否落在期間內，均不可靠，混合格式與相對日期尤其如此。可透過 choice 擷取日期各部分，加入「未註明」選項，再用程式碼比較。
間接問法。 雙重否定及詢問某種特性的特性，會降低正確率。請直接表達，並明確寫出狀態各部分的名稱。
狀態中的多餘內容。 無關文字會降低正確率。請用程式碼過濾；若無法過濾，可用 noul 問題排除不相關內容。
惡意文字。 模型預設不會預期狀態中有陷阱；注入指令，或試圖爭辯自身分類的文字，可能改變回答。請指定精確條件，並在上線前檢查邊界情況。
相互矛盾。 若 instructions 與 criteria 要求不同，例如 noul 的「是」被描述成「否」，正確率就會下降。判斷條件是問題的延伸。
選項順序。 模型有時偏向 choice 的第一個選項。請重新排列選項，檢查回答是否維持一致。
內容生成。 Jev 未受過文字撰寫訓練。擷取資料時，請先以正規表示式或生成模型找出候選內容，再讓 Jev 透過 choice 選出正確項目。

", "aboutText": "Jev 是 TypeSafe 的旗艦模型，也是新類別 **System One** 的首個模型。它不撰寫文字，而是快速做出程式可直接使用的決策：傳入**狀態**（`state`），即文字或 JSON，以及一組**問題**，便會取得具有校準機率的特定型別的值。\n\n語言模型為人類撰寫文字；依 TypeSafe 的說法，Jev 更接近程式碼：回答直接採用程式需要的形式、速度快，而且不會產生指定選項以外的值。模型的設計目標，是在重複請求時提供穩定回答。\n\n### System One 與語言模型有何不同\n\n- **不生成內容。** Jev 不替使用者撰寫回答，不寫程式碼，也不解釋推理過程。可能的回答由您透過三種問題型別中的一種指定。\n- **以校準決策為訓練目標。** TypeSafe 使用 RLCD（Reinforcement Learning for Calibrated Decisions，校準決策強化學習）訓練模型，讓機率貼近實際結果並反映不確定性。在大量機率為 0.8 的回答中，理應約有 80% 正確。校準是大樣本的特性，不保證個別回答正確。\n- **訓練目標不同。** 聊天模型透過 RLHF 學習讓人滿意；依 TypeSafe 的觀察，這會鼓勵迎合，以及聽起來自信的錯誤回答。RLHF 的共同作者之一 Diogo Almeida，是 TypeSafe 的共同創辦人。\n\n名稱源自 Daniel Kahneman《快思慢想》中的「系統 1」：快速的直覺判斷，對應「系統 2」緩慢且經過思考的推理。Jev 用於快速、範圍明確的判斷。\n\n### 三種問題型別\n\n每個問題對狀態做出一項判斷；回答是可由程式與門檻比較、排序或傳往下一步的值。\n\n1. **Choice：選擇選項。** 例如客服案件的承辦部門、商品類別，或程式碼片段的語言。選項以「選項 → 說明」的字典提供，最多 255 個。回答包含所選的 `choice`、所有選項的 `probabilities`（總和為 1），以及信心值 `confidence`。若清單可能未涵蓋所有情況，請加入「其他」或「以上皆非」。\n2. **Score：依尺度評分。** 在您描述的有序尺度上選擇位置，例如錯誤嚴重性、客戶不滿程度或技能水準。可有 2 至 10 個等級，由低至高排列；模型分別評估每個等級，不會看到其編號或相鄰等級。回答包含 `score`（各等級編號乘以其機率後加總，因此可能介於兩個等級之間）、說明各等級的 `legend`、`probabilities` 及 `confidence`。\n3. **Noul：是或否。** 判斷一項陳述是否成立。回答 `noul` 是「是」的機率，介於 0 至 1：接近 1 表示有把握的「是」，接近 0 表示有把握的「否」，接近 0.5 表示模型猶豫。沒有獨立的 `confidence`；單一數值即可完整描述回答。非必填的 `criteria` 可進一步說明哪些情況算「是」、哪些算「否」。\n\n選擇方式：已知且無順序的選項使用 choice；連續程度中的等級使用 score；單純判斷「是／否」，且重視機率本身時使用 noul。Noul 為 0.5 代表「是」與「否」的機率相同，不是「中等程度」；程度應以 score 衡量。若有兩種型別都適用，請選擇程式能直接據此行動的型別：choice 用於分支，score 用於門檻，noul 用於 `if`。\n\n可在同一請求中混用不同型別。回答始終限制在您指定的選項中，且不受其他問題影響；增加或移除問題，不會改變其餘回答。\n\n### 狀態\n\n狀態是模型要評估的內容，例如客戶訊息、文件片段、資料庫紀錄，或應用程式的狀態。\n\n- **字串**：適用於單一文字內容，例如訊息、文章或摘錄。\n- **物件**：適用於具名欄位、關聯紀錄及應用程式狀態。TypeSafe 建議大多數請求使用物件，讓每一部分都有明確名稱。\n- **陣列**：適用於訊息或紀錄的序列。\n\n如同準備給專家的資料：若決策需要比較對話、訂單及退貨規則，就將它們放在一起。內容放在狀態中，判斷放在問題中。若問題只涉及狀態的一部分，請以反引號標示其路徑，例如 `ticket.messages[0].text`。\n\n### 如何提出問題\n\n- **每個問題只做一項快速判斷。** 好問題是熟悉情況的人能在一秒內回答的問題，例如「這則訊息是否有急迫性？」。「分析訊息並決定該怎麼做」已是較慢的推理，應拆成簡單問題。\n- **完整問題放在 `instructions`。** 問題的鍵，例如 `refund_requested`，只供您的程式使用，不會傳給模型。\n- **同一狀態的所有問題放在同一請求。** 模型平行評估；依 TypeSafe 說明，額外問題幾乎不增加回答時間，只計入自身的 token 成本。預先多問一題的成本幾乎可忽略，程式再自行決定需要哪些回答。\n- **複雜判斷拆開處理。** 與其要求「評估新創公司的申請」，不如分別詢問市場規模、技術可行性及競爭差異，再於程式中加權計算結果。優先順序變動時，調整權重即可，不必改寫問題。\n- **相依問題放在第二個請求。** 同一請求的回答不會成為彼此的上下文。只有無法在取得第一個回答前組成後續請求時，例如需要載入資料或選擇下一題的選項，才需要第二個請求。\n- **長問題使用物件。** `instructions` 與 `criteria` 通常是字串，也可以是物件或陣列：一個欄位放問題，其他欄位放資料。這樣可用單一問題方便地比對履歷與資料庫紀錄。\n\n### 信心值\n\nchoice 與 score 的 `confidence` 介於 0 至 1，表示機率集中在單一回答的程度：1 代表全部集中於一個選項，0 代表平均分配給所有選項。對 score 而言，相鄰等級對信心值的降低，比距離較遠的等級小。noul 的信心直接反映在數值本身：離 0.5 越遠，回答越確定。\n\nTypeSafe 建議分為三個範圍：\n\n1. **高信心**：自動執行操作。\n2. **中信心**：謹慎行動，例如請使用者確認。\n3. **低信心**：交由人員處理、釐清請求，或使用備用路徑，例如較強的推理模型。\n\n錯誤代價越高，門檻就應越嚴格；不可逆的操作應比讀取操作採用更高門檻。回答指出該選什麼，信心值則協助判斷是否應行動。請以自己的資料比較信心與正確率，設定門檻。\n\n### 如何圍繞 Jev 建立系統\n\nJev 的設計對象是由程式碼控制流程、模型回答狹窄語意問題的程式，而非自行選擇下一步、每次循環都可能偏離方向的代理。TypeSafe 提出八個設計步驟：\n\n1. 凡是能用程式碼完成的事，就用程式碼完成，可靠且成本低。\n2. 狀態只放目前問題需要的內容；新事實來自自己的知識庫，而非模型記憶。\n3. 狀態保持結構：使用巢狀 JSON；若能減少歧義，在問題中以反引號標示所需欄位路徑。\n4. 問題盡量狹窄、具體。依 TypeSafe 的說法，這或許是最重要的規則：寬泛的問題會將多項判斷藏在同一回答中。\n5. 問題也保持結構：主問題簡短，說明、範例與資料庫中的值，放在 `instructions` 或 `criteria` 物件的其他欄位，而非塞進同一條長字串。\n6. 同一狀態的多項獨立問題放在同一請求，提高每一美元的效益。\n7. 由程式碼整合回答，可使用規則、加權總和，或作為傳統機器學習模型的特徵。\n8. 依信心值分支：不確定的情況交給人員或推理模型。\n\nJev 不是聊天模型，也不是程式碼自動完成模型，不能直接取代程式開發代理中的語言模型。但代理可替您撰寫程式，在需要快速且經過校準的回答時呼叫 Jev。\n\n### 使用情境\n\n- **背景自動化**：在無人值守的情況下，重複執行一百萬次的決策。\n- **即時處理**：依 TypeSafe 說明，多數請求約在 100 毫秒完成，足以進行即時資料處理及介面互動。\n- **大量資料**：搜尋龐大資料集、標記代理工作紀錄，以及建立預測特徵。\n- **檢查其他模型**：檢查請求、擷取內容、推理與工具呼叫，辨識繞過限制、引用錯誤及捏造內容。\n- **搜尋與排序**：判斷「查詢 — 候選項」配對的相關性、重新排序及篩選上下文。\n- **依意圖分流**：判斷使用者需求與處理方式，例如簡單邏輯、專門模型或人員；主題、複雜度及風險決定應交給哪個語言模型。\n- **防護檢查**：檢查語言模型的輸入、輸出與工具呼叫，包含注入指令、違反規則及個人資料外洩。\n- **客服**：案件主題與意圖、急迫性、不滿程度、流失風險、退款要求及佇列安排。\n- **內容審核**：依平台規則檢查有害言論、霸凌、垃圾訊息、詐騙、危險建議及個人資料；再依嚴重程度與信心值決定放行、警告、人工檢查或封鎖。\n- **產業應用**：保險案件、金融調查與 KYC、合約及廣告、商品頁、人員招募、潛在客戶、遊戲、風險、需求預測、知識圖譜、科學文獻回顧，以及 CI 中的程式碼語意檢查。\n\n### 特性\n\n- **`jev-latest`**：最新穩定版本的別名，目前為 Jev 1.13；實際回答版本會出現在 `model` 欄位，例如 `jev-1.13.0`。推出新版本後，別名會指向新版本，回答可能在您未修改程式的情況下改變。若門檻是依特定版本調整的，請留意此欄位。\n- **上下文**：每項請求為 64K token，包含狀態及所有問題；狀態加上最長問題，最多為 32K。模型只讀取狀態一次，再平行評估所有問題。\n- **輸入**：僅文字，可為字串、JSON 物件或文字陣列。尚不支援圖片、音訊與影片，應先轉成文字。\n- **語言**：主要訓練語言為英文，目前以英文的正確率最高。也接受其他語言，包括中文、日文與韓文，但正確率較低，應以自己的資料驗證。\n- **Ailoot API 的價格與計費** — 條件依所選方法而定，並列於該方法的卡片中。\n- **設定**：Jev 不以客戶資料微調。自有資料放在 `state`，領域規則放在 `instructions` 與 `criteria`。\n- **資料**：TypeSafe 表示，Jev 不會以客戶的請求與回答進行訓練。\n\n### Jev 1.13 的已知弱點\n\nTypeSafe 公開列出目前版本的弱點，並表示未來版本會改善許多部分。模型速度快、機率經過校準，也擅長常識判斷，但仍有下列限制：\n\n1. **按字面理解。** 回答寫出的問題，而非隱含的意思；保留條件、否定及隱含條件都按字面解讀。請在 `criteria` 寫出精確條件與邊界情況；無法避免的解讀，拆成兩個字面問題。\n2. **不是計算機。** 字元、重複項與清單元素的計數不可靠，資料量越大，錯誤越容易增加。請在程式碼中計數，每個候選項各問一題。模型對 hex 或 RGB 色彩的理解，不如顏色名稱。`score` 適合門檻判斷，不適合取得等級間的精確數字。\n3. **日期與時間。** 比較日期先後、計算間隔或判斷是否落在期間內，均不可靠，混合格式與相對日期尤其如此。可透過 choice 擷取日期各部分，加入「未註明」選項，再用程式碼比較。\n4. **間接問法。** 雙重否定及詢問某種特性的特性，會降低正確率。請直接表達，並明確寫出狀態各部分的名稱。\n5. **狀態中的多餘內容。** 無關文字會降低正確率。請用程式碼過濾；若無法過濾，可用 noul 問題排除不相關內容。\n6. **惡意文字。** 模型預設不會預期狀態中有陷阱；注入指令，或試圖爭辯自身分類的文字，可能改變回答。請指定精確條件，並在上線前檢查邊界情況。\n7. **相互矛盾。** 若 `instructions` 與 `criteria` 要求不同，例如 noul 的「是」被描述成「否」，正確率就會下降。判斷條件是問題的延伸。\n8. **選項順序。** 模型有時偏向 choice 的第一個選項。請重新排列選項，檢查回答是否維持一致。\n9. **內容生成。** Jev 未受過文字撰寫訓練。擷取資料時，請先以正規表示式或生成模型找出候選內容，再讓 Jev 透過 choice 選出正確項目。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b05a975fce467c5bf6944e150fe5d3926a1d99e5b108d548361bfe5db2c1ac3c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "zh-hant-tw", "methods": [ { "html": "

TS

jev-latest

TypeSafe /jev-latest

入門

TypeSafe 的決策模型不撰寫文字，而是回答關於文字或 JSON 的特定型別問題，例如選項選擇、尺度評分，或附帶機率的「是／否」。適合請求路由、客服案件分類、內容審核與評分；同一請求中的所有問題會平行評估。

接受的輸入: 文字
結果: structured

關於模型

此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。

Jev 是 TypeSafe 的旗艦模型，也是新類別 System One 的首個模型。它不撰寫文字，而是快速做出程式可直接使用的決策：傳入狀態（state），即文字或 JSON，以及一組問題，便會取得具有校準機率的特定型別的值。

語言模型為人類撰寫文字；依 TypeSafe 的說法，Jev 更接近程式碼：回答直接採用程式需要的形式、速度快，而且不會產生指定選項以外的值。模型的設計目標，是在重複請求時提供穩定回答。

System One 與語言模型有何不同

不生成內容。 Jev 不替使用者撰寫回答，不寫程式碼，也不解釋推理過程。可能的回答由您透過三種問題型別中的一種指定。
以校準決策為訓練目標。 TypeSafe 使用 RLCD（Reinforcement Learning for Calibrated Decisions，校準決策強化學習）訓練模型，讓機率貼近實際結果並反映不確定性。在大量機率為 0.8 的回答中，理應約有 80% 正確。校準是大樣本的特性，不保證個別回答正確。
訓練目標不同。 聊天模型透過 RLHF 學習讓人滿意；依 TypeSafe 的觀察，這會鼓勵迎合，以及聽起來自信的錯誤回答。RLHF 的共同作者之一 Diogo Almeida，是 TypeSafe 的共同創辦人。

名稱源自 Daniel Kahneman《快思慢想》中的「系統 1」：快速的直覺判斷，對應「系統 2」緩慢且經過思考的推理。Jev 用於快速、範圍明確的判斷。

三種問題型別

每個問題對狀態做出一項判斷；回答是可由程式與門檻比較、排序或傳往下一步的值。

Choice：選擇選項。 例如客服案件的承辦部門、商品類別，或程式碼片段的語言。選項以「選項 → 說明」的字典提供，最多 255 個。回答包含所選的 choice、所有選項的 probabilities（總和為 1），以及信心值 confidence。若清單可能未涵蓋所有情況，請加入「其他」或「以上皆非」。
Score：依尺度評分。 在您描述的有序尺度上選擇位置，例如錯誤嚴重性、客戶不滿程度或技能水準。可有 2 至 10 個等級，由低至高排列；模型分別評估每個等級，不會看到其編號或相鄰等級。回答包含 score（各等級編號乘以其機率後加總，因此可能介於兩個等級之間）、說明各等級的 legend、probabilities 及 confidence。
Noul：是或否。 判斷一項陳述是否成立。回答 noul 是「是」的機率，介於 0 至 1：接近 1 表示有把握的「是」，接近 0 表示有把握的「否」，接近 0.5 表示模型猶豫。沒有獨立的 confidence；單一數值即可完整描述回答。非必填的 criteria 可進一步說明哪些情況算「是」、哪些算「否」。

選擇方式：已知且無順序的選項使用 choice；連續程度中的等級使用 score；單純判斷「是／否」，且重視機率本身時使用 noul。Noul 為 0.5 代表「是」與「否」的機率相同，不是「中等程度」；程度應以 score 衡量。若有兩種型別都適用，請選擇程式能直接據此行動的型別：choice 用於分支，score 用於門檻，noul 用於 if。

可在同一請求中混用不同型別。回答始終限制在您指定的選項中，且不受其他問題影響；增加或移除問題，不會改變其餘回答。

狀態

狀態是模型要評估的內容，例如客戶訊息、文件片段、資料庫紀錄，或應用程式的狀態。

字串：適用於單一文字內容，例如訊息、文章或摘錄。
物件：適用於具名欄位、關聯紀錄及應用程式狀態。TypeSafe 建議大多數請求使用物件，讓每一部分都有明確名稱。
陣列：適用於訊息或紀錄的序列。

如同準備給專家的資料：若決策需要比較對話、訂單及退貨規則，就將它們放在一起。內容放在狀態中，判斷放在問題中。若問題只涉及狀態的一部分，請以反引號標示其路徑，例如 ticket.messages[0].text。

如何提出問題

每個問題只做一項快速判斷。 好問題是熟悉情況的人能在一秒內回答的問題，例如「這則訊息是否有急迫性？」。「分析訊息並決定該怎麼做」已是較慢的推理，應拆成簡單問題。
完整問題放在 instructions。 問題的鍵，例如 refund_requested，只供您的程式使用，不會傳給模型。
同一狀態的所有問題放在同一請求。 模型平行評估；依 TypeSafe 說明，額外問題幾乎不增加回答時間，只計入自身的 token 成本。預先多問一題的成本幾乎可忽略，程式再自行決定需要哪些回答。
複雜判斷拆開處理。 與其要求「評估新創公司的申請」，不如分別詢問市場規模、技術可行性及競爭差異，再於程式中加權計算結果。優先順序變動時，調整權重即可，不必改寫問題。
相依問題放在第二個請求。 同一請求的回答不會成為彼此的上下文。只有無法在取得第一個回答前組成後續請求時，例如需要載入資料或選擇下一題的選項，才需要第二個請求。
長問題使用物件。 instructions 與 criteria 通常是字串，也可以是物件或陣列：一個欄位放問題，其他欄位放資料。這樣可用單一問題方便地比對履歷與資料庫紀錄。

信心值

choice 與 score 的 confidence 介於 0 至 1，表示機率集中在單一回答的程度：1 代表全部集中於一個選項，0 代表平均分配給所有選項。對 score 而言，相鄰等級對信心值的降低，比距離較遠的等級小。noul 的信心直接反映在數值本身：離 0.5 越遠，回答越確定。

TypeSafe 建議分為三個範圍：

高信心：自動執行操作。
中信心：謹慎行動，例如請使用者確認。
低信心：交由人員處理、釐清請求，或使用備用路徑，例如較強的推理模型。

錯誤代價越高，門檻就應越嚴格；不可逆的操作應比讀取操作採用更高門檻。回答指出該選什麼，信心值則協助判斷是否應行動。請以自己的資料比較信心與正確率，設定門檻。

如何圍繞 Jev 建立系統

Jev 的設計對象是由程式碼控制流程、模型回答狹窄語意問題的程式，而非自行選擇下一步、每次循環都可能偏離方向的代理。TypeSafe 提出八個設計步驟：

凡是能用程式碼完成的事，就用程式碼完成，可靠且成本低。
狀態只放目前問題需要的內容；新事實來自自己的知識庫，而非模型記憶。
狀態保持結構：使用巢狀 JSON；若能減少歧義，在問題中以反引號標示所需欄位路徑。
問題盡量狹窄、具體。依 TypeSafe 的說法，這或許是最重要的規則：寬泛的問題會將多項判斷藏在同一回答中。
問題也保持結構：主問題簡短，說明、範例與資料庫中的值，放在 instructions 或 criteria 物件的其他欄位，而非塞進同一條長字串。
同一狀態的多項獨立問題放在同一請求，提高每一美元的效益。
由程式碼整合回答，可使用規則、加權總和，或作為傳統機器學習模型的特徵。
依信心值分支：不確定的情況交給人員或推理模型。

Jev 不是聊天模型，也不是程式碼自動完成模型，不能直接取代程式開發代理中的語言模型。但代理可替您撰寫程式，在需要快速且經過校準的回答時呼叫 Jev。

使用情境

背景自動化：在無人值守的情況下，重複執行一百萬次的決策。
即時處理：依 TypeSafe 說明，多數請求約在 100 毫秒完成，足以進行即時資料處理及介面互動。
大量資料：搜尋龐大資料集、標記代理工作紀錄，以及建立預測特徵。
檢查其他模型：檢查請求、擷取內容、推理與工具呼叫，辨識繞過限制、引用錯誤及捏造內容。
搜尋與排序：判斷「查詢 — 候選項」配對的相關性、重新排序及篩選上下文。
依意圖分流：判斷使用者需求與處理方式，例如簡單邏輯、專門模型或人員；主題、複雜度及風險決定應交給哪個語言模型。
防護檢查：檢查語言模型的輸入、輸出與工具呼叫，包含注入指令、違反規則及個人資料外洩。
客服：案件主題與意圖、急迫性、不滿程度、流失風險、退款要求及佇列安排。
內容審核：依平台規則檢查有害言論、霸凌、垃圾訊息、詐騙、危險建議及個人資料；再依嚴重程度與信心值決定放行、警告、人工檢查或封鎖。
產業應用：保險案件、金融調查與 KYC、合約及廣告、商品頁、人員招募、潛在客戶、遊戲、風險、需求預測、知識圖譜、科學文獻回顧，以及 CI 中的程式碼語意檢查。

特性

jev-latest：最新穩定版本的別名，目前為 Jev 1.13；實際回答版本會出現在 model 欄位，例如 jev-1.13.0。推出新版本後，別名會指向新版本，回答可能在您未修改程式的情況下改變。若門檻是依特定版本調整的，請留意此欄位。
上下文：每項請求為 64K token，包含狀態及所有問題；狀態加上最長問題，最多為 32K。模型只讀取狀態一次，再平行評估所有問題。
輸入：僅文字，可為字串、JSON 物件或文字陣列。尚不支援圖片、音訊與影片，應先轉成文字。
語言：主要訓練語言為英文，目前以英文的正確率最高。也接受其他語言，包括中文、日文與韓文，但正確率較低，應以自己的資料驗證。
Ailoot API 的價格與計費 — 條件依所選方法而定，並列於該方法的卡片中。
設定：Jev 不以客戶資料微調。自有資料放在 state，領域規則放在 instructions 與 criteria。
資料：TypeSafe 表示，Jev 不會以客戶的請求與回答進行訓練。

Jev 1.13 的已知弱點

TypeSafe 公開列出目前版本的弱點，並表示未來版本會改善許多部分。模型速度快、機率經過校準，也擅長常識判斷，但仍有下列限制：

按字面理解。 回答寫出的問題，而非隱含的意思；保留條件、否定及隱含條件都按字面解讀。請在 criteria 寫出精確條件與邊界情況；無法避免的解讀，拆成兩個字面問題。
不是計算機。 字元、重複項與清單元素的計數不可靠，資料量越大，錯誤越容易增加。請在程式碼中計數，每個候選項各問一題。模型對 hex 或 RGB 色彩的理解，不如顏色名稱。score 適合門檻判斷，不適合取得等級間的精確數字。
日期與時間。 比較日期先後、計算間隔或判斷是否落在期間內，均不可靠，混合格式與相對日期尤其如此。可透過 choice 擷取日期各部分，加入「未註明」選項，再用程式碼比較。
間接問法。 雙重否定及詢問某種特性的特性，會降低正確率。請直接表達，並明確寫出狀態各部分的名稱。
狀態中的多餘內容。 無關文字會降低正確率。請用程式碼過濾；若無法過濾，可用 noul 問題排除不相關內容。
惡意文字。 模型預設不會預期狀態中有陷阱；注入指令，或試圖爭辯自身分類的文字，可能改變回答。請指定精確條件，並在上線前檢查邊界情況。
相互矛盾。 若 instructions 與 criteria 要求不同，例如 noul 的「是」被描述成「否」，正確率就會下降。判斷條件是問題的延伸。
選項順序。 模型有時偏向 choice 的第一個選項。請重新排列選項，檢查回答是否維持一致。
內容生成。 Jev 未受過文字撰寫訓練。擷取資料時，請先以正規表示式或生成模型找出候選內容，再讓 Jev 透過 choice 選出正確項目。

Ailoot 可用 · 輸入與方法

Ailoot · System One POST /v1/systemone

輸入: text
輸出: structured
上下文: 64,000 tokens
輸出格式: json

欄位	類型	要求	值與限制	預設值
欄位`model`	類型`string`	要求必填	值與限制 jev-latest	預設值—
欄位`state`	類型`string\|object\|array`	要求必填	值與限制	預設值—
欄位`questions`	類型`object`	要求必填	值與限制物件欄位數下限: 1	預設值—
欄位`questions.<id>.type`	類型`string`	要求必填	值與限制 noul, choice, score	預設值—
欄位`questions.<id>.instructions`	類型`string\|object\|array\|null`	要求選填	值與限制	預設值—
欄位`questions.<id>.criteria`	類型`object\|array\|null`	要求選填	值與限制條件: noul：選填且可為空值的 true/false 說明；choice：條件物件；score：非空的條件陣列	預設值—
欄位`stream`	類型`boolean\|null`	要求選填	值與限制 false, null	預設值—

輸入素材組合

noul · 必填： state, questions.<id>.type=noul

choice · 必填： state, questions.<id>.type=choice, criteria object

score · 必填： state, questions.<id>.type=score, nonemptycriteriaarray

方法參數與生命週期

參數	規格
參數`material_types`	規格text
參數`required`	規格model, state, questions
參數`optional_controls`	規格null
參數`content_type`	規格application/json

生命週期： exact retained published method

方法結構與 ID 均為精確值；供應商能力與准入狀態分開。

方案

Ailoot 方法費率

Ailoot System OnePOST /v1/systemone

輸入: ≈US$0.000084 / 1K
輸出: US$0.00 / 1K

Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →

請求範例

Ailoot · System One

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "jev-latest", "state": "", "questions": {"is_urgent": {"type": "noul", "instructions": "Does the supplied customer message express urgency?"}}}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["state"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n

接收並儲存結果

Ailoot · System One

json

保留所有已完成的結果

請保留所有完整傳回的回應、檔案與內容區塊。

請依提供的問題 ID、機率與圖例保留每個答案；使用 n 的信心值公式要求 n>1，但這不代表 API 規定了選項數量下限。

回應欄位

欄位	類型
欄位`answers.<id>.type`	類型string
欄位`answers.<id>.noul`	類型number
欄位`answers.<id>.choice`	類型string
欄位`answers.<id>.score`	類型number
欄位`answers.<id>.confidence`	類型number
欄位`answers.<id>.probabilities`	類型object
欄位`answers.<id>.legend`	類型object
欄位`usage`	類型object

錯誤與後續步驟

回應	條件	下一步
回應400 · `invalid_request_error`	條件必要欄位、素材表示方式或參數值無效	下一步提出新的建立請求前，先修正指定欄位。

別名

模型別名

Ailoot jev-latest

方法路徑別名

請使用上方列出的 API 方法路徑。

相關呼叫用 ID

", "method_identity": { "effective_request_model_id": "jev-latest", "fmt": "systemone", "http": "POST", "path": "/v1/systemone", "request_model_id": "jev-latest", "route_label": "Core" }, "method_key": "Core|systemone|/v1/systemone|jev-latest", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Retain every answer by its supplied question ID, probability and legend; confidenceformulausingnrequiresn>1withoutassertinganAPIminchoicesrule.", "errors": [ { "code": null, "condition": "必要欄位、素材表示方式或參數值無效", "http_status": 400, "recovery": "提出新的建立請求前，先修正指定欄位。", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "mode": "exact retained published method" }, "material_combinations": [ { "mode": "noul", "required": [ "state", "questions..type=noul" ] }, { "mode": "choice", "required": [ "state", "questions..type=choice", "criteria object" ] }, { "mode": "score", "required": [ "state", "questions..type=score", "nonemptycriteriaarray" ] } ], "operation_modes": [ "noul", "choice", "score" ], "outputs": { "all_results": "請依提供的問題 ID、機率與圖例保留每個答案；使用 n 的信心值公式要求 n>1，但這不代表 API 規定了選項數量下限。", "family": "structured", "fields": [ { "description": null, "name": "answers..type", "type": "string" }, { "description": null, "name": "answers..noul", "type": "number" }, { "description": null, "name": "answers..choice", "type": "string" }, { "description": null, "name": "answers..score", "type": "number" }, { "description": null, "name": "answers..confidence", "type": "number" }, { "description": null, "name": "answers..probabilities", "type": "object" }, { "description": null, "name": "answers..legend", "type": "object" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "jev-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "state", "required": true, "type": "string|object|array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_properties": 1, "name": "questions", "required": true, "type": "object" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "noul", "choice", "score" ], "enum_known": true, "name": "questions..type", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..instructions", "required": false, "type": "string|object|array|null" }, { "availability": "source_interface", "conditions": "noul：選填且可為空值的 true/false 說明；choice：條件物件；score：非空的條件陣列", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..criteria", "required": false, "type": "object|array|null" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ false, null ], "enum_known": true, "name": "stream", "required": false, "type": "boolean|null" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "stream=true", "duplicateandcase-variedcanonicalkeys" ] }, "hints": [ "方法結構與 ID 均為精確值；供應商能力與准入狀態分開。" ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "state", "questions" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/systemone" }, "operation_modes": [ "systemone" ], "output": { "family": [ "structured" ], "format": "structured decisions JSON", "multioutputs": "retain every actual response output" } }, "ctx": 64000, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"jev-latest\", \"state\": \"\", \"questions\": {\"is_urgent\": {\"type\": \"noul\", \"instructions\": \"Does the supplied customer message express urgency?\"}}}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"state\"]=text\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n", "label": "Classify your actual customer message", "language": "bash" } ], "family": "systemone", "fast_multiplier": null, "flex_multiplier": null, "fmt": "systemone", "http": "POST", "img_in": null, "img_out": null, "in": 0.084, "input": [ "text" ], "label": "System One", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "structured" ], "path": "/v1/systemone", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.084, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "jev-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "jev-latest", "nativeProvenance": { "input_facts_canonical_sha256": "0a0a8fa09b0288ec8fc49afcd10d2d07d48bc4e5bf0e5c8fb384e20d082a0963", "input_html_sha256": "3302222e27ff3f8188b7c5c4a9d2c5f4d179a3f511f7820df19e75d5ca1d5515", "private_audit_sha256": "b980eb046e9ceeb5f4fde7da259e90ec4d9fbb8e56934d62f25450085b91ed5b", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/zh-hant-tw/jev-latest/", "description": "TypeSafe 的決策模型不撰寫文字，而是回答關於文字或 JSON 的特定型別問題，例如選項選擇、尺度評分，或附帶機率的「是／否」。適合請求路由、客服案件分類、內容審核與評分；同一請求中的所有問題會平行評估。", "locale": "zh-hant-tw", "md_url": "https://ailoot.ai/models/zh-hant-tw/jev-latest/index.md", "title": "jev-latest — Ailoot", "url": "https://ailoot.ai/models/zh-hant-tw/jev-latest/" }, "rawModel": { "about": "Jev 是 TypeSafe 的旗艦模型，也是新類別 **System One** 的首個模型。它不撰寫文字，而是快速做出程式可直接使用的決策：傳入**狀態**（`state`），即文字或 JSON，以及一組**問題**，便會取得具有校準機率的特定型別的值。\n\n語言模型為人類撰寫文字；依 TypeSafe 的說法，Jev 更接近程式碼：回答直接採用程式需要的形式、速度快，而且不會產生指定選項以外的值。模型的設計目標，是在重複請求時提供穩定回答。\n\n### System One 與語言模型有何不同\n\n- **不生成內容。** Jev 不替使用者撰寫回答，不寫程式碼，也不解釋推理過程。可能的回答由您透過三種問題型別中的一種指定。\n- **以校準決策為訓練目標。** TypeSafe 使用 RLCD（Reinforcement Learning for Calibrated Decisions，校準決策強化學習）訓練模型，讓機率貼近實際結果並反映不確定性。在大量機率為 0.8 的回答中，理應約有 80% 正確。校準是大樣本的特性，不保證個別回答正確。\n- **訓練目標不同。** 聊天模型透過 RLHF 學習讓人滿意；依 TypeSafe 的觀察，這會鼓勵迎合，以及聽起來自信的錯誤回答。RLHF 的共同作者之一 Diogo Almeida，是 TypeSafe 的共同創辦人。\n\n名稱源自 Daniel Kahneman《快思慢想》中的「系統 1」：快速的直覺判斷，對應「系統 2」緩慢且經過思考的推理。Jev 用於快速、範圍明確的判斷。\n\n### 三種問題型別\n\n每個問題對狀態做出一項判斷；回答是可由程式與門檻比較、排序或傳往下一步的值。\n\n1. **Choice：選擇選項。** 例如客服案件的承辦部門、商品類別，或程式碼片段的語言。選項以「選項 → 說明」的字典提供，最多 255 個。回答包含所選的 `choice`、所有選項的 `probabilities`（總和為 1），以及信心值 `confidence`。若清單可能未涵蓋所有情況，請加入「其他」或「以上皆非」。\n2. **Score：依尺度評分。** 在您描述的有序尺度上選擇位置，例如錯誤嚴重性、客戶不滿程度或技能水準。可有 2 至 10 個等級，由低至高排列；模型分別評估每個等級，不會看到其編號或相鄰等級。回答包含 `score`（各等級編號乘以其機率後加總，因此可能介於兩個等級之間）、說明各等級的 `legend`、`probabilities` 及 `confidence`。\n3. **Noul：是或否。** 判斷一項陳述是否成立。回答 `noul` 是「是」的機率，介於 0 至 1：接近 1 表示有把握的「是」，接近 0 表示有把握的「否」，接近 0.5 表示模型猶豫。沒有獨立的 `confidence`；單一數值即可完整描述回答。非必填的 `criteria` 可進一步說明哪些情況算「是」、哪些算「否」。\n\n選擇方式：已知且無順序的選項使用 choice；連續程度中的等級使用 score；單純判斷「是／否」，且重視機率本身時使用 noul。Noul 為 0.5 代表「是」與「否」的機率相同，不是「中等程度」；程度應以 score 衡量。若有兩種型別都適用，請選擇程式能直接據此行動的型別：choice 用於分支，score 用於門檻，noul 用於 `if`。\n\n可在同一請求中混用不同型別。回答始終限制在您指定的選項中，且不受其他問題影響；增加或移除問題，不會改變其餘回答。\n\n### 狀態\n\n狀態是模型要評估的內容，例如客戶訊息、文件片段、資料庫紀錄，或應用程式的狀態。\n\n- **字串**：適用於單一文字內容，例如訊息、文章或摘錄。\n- **物件**：適用於具名欄位、關聯紀錄及應用程式狀態。TypeSafe 建議大多數請求使用物件，讓每一部分都有明確名稱。\n- **陣列**：適用於訊息或紀錄的序列。\n\n如同準備給專家的資料：若決策需要比較對話、訂單及退貨規則，就將它們放在一起。內容放在狀態中，判斷放在問題中。若問題只涉及狀態的一部分，請以反引號標示其路徑，例如 `ticket.messages[0].text`。\n\n### 如何提出問題\n\n- **每個問題只做一項快速判斷。** 好問題是熟悉情況的人能在一秒內回答的問題，例如「這則訊息是否有急迫性？」。「分析訊息並決定該怎麼做」已是較慢的推理，應拆成簡單問題。\n- **完整問題放在 `instructions`。** 問題的鍵，例如 `refund_requested`，只供您的程式使用，不會傳給模型。\n- **同一狀態的所有問題放在同一請求。** 模型平行評估；依 TypeSafe 說明，額外問題幾乎不增加回答時間，只計入自身的 token 成本。預先多問一題的成本幾乎可忽略，程式再自行決定需要哪些回答。\n- **複雜判斷拆開處理。** 與其要求「評估新創公司的申請」，不如分別詢問市場規模、技術可行性及競爭差異，再於程式中加權計算結果。優先順序變動時，調整權重即可，不必改寫問題。\n- **相依問題放在第二個請求。** 同一請求的回答不會成為彼此的上下文。只有無法在取得第一個回答前組成後續請求時，例如需要載入資料或選擇下一題的選項，才需要第二個請求。\n- **長問題使用物件。** `instructions` 與 `criteria` 通常是字串，也可以是物件或陣列：一個欄位放問題，其他欄位放資料。這樣可用單一問題方便地比對履歷與資料庫紀錄。\n\n### 信心值\n\nchoice 與 score 的 `confidence` 介於 0 至 1，表示機率集中在單一回答的程度：1 代表全部集中於一個選項，0 代表平均分配給所有選項。對 score 而言，相鄰等級對信心值的降低，比距離較遠的等級小。noul 的信心直接反映在數值本身：離 0.5 越遠，回答越確定。\n\nTypeSafe 建議分為三個範圍：\n\n1. **高信心**：自動執行操作。\n2. **中信心**：謹慎行動，例如請使用者確認。\n3. **低信心**：交由人員處理、釐清請求，或使用備用路徑，例如較強的推理模型。\n\n錯誤代價越高，門檻就應越嚴格；不可逆的操作應比讀取操作採用更高門檻。回答指出該選什麼，信心值則協助判斷是否應行動。請以自己的資料比較信心與正確率，設定門檻。\n\n### 如何圍繞 Jev 建立系統\n\nJev 的設計對象是由程式碼控制流程、模型回答狹窄語意問題的程式，而非自行選擇下一步、每次循環都可能偏離方向的代理。TypeSafe 提出八個設計步驟：\n\n1. 凡是能用程式碼完成的事，就用程式碼完成，可靠且成本低。\n2. 狀態只放目前問題需要的內容；新事實來自自己的知識庫，而非模型記憶。\n3. 狀態保持結構：使用巢狀 JSON；若能減少歧義，在問題中以反引號標示所需欄位路徑。\n4. 問題盡量狹窄、具體。依 TypeSafe 的說法，這或許是最重要的規則：寬泛的問題會將多項判斷藏在同一回答中。\n5. 問題也保持結構：主問題簡短，說明、範例與資料庫中的值，放在 `instructions` 或 `criteria` 物件的其他欄位，而非塞進同一條長字串。\n6. 同一狀態的多項獨立問題放在同一請求，提高每一美元的效益。\n7. 由程式碼整合回答，可使用規則、加權總和，或作為傳統機器學習模型的特徵。\n8. 依信心值分支：不確定的情況交給人員或推理模型。\n\nJev 不是聊天模型，也不是程式碼自動完成模型，不能直接取代程式開發代理中的語言模型。但代理可替您撰寫程式，在需要快速且經過校準的回答時呼叫 Jev。\n\n### 使用情境\n\n- **背景自動化**：在無人值守的情況下，重複執行一百萬次的決策。\n- **即時處理**：依 TypeSafe 說明，多數請求約在 100 毫秒完成，足以進行即時資料處理及介面互動。\n- **大量資料**：搜尋龐大資料集、標記代理工作紀錄，以及建立預測特徵。\n- **檢查其他模型**：檢查請求、擷取內容、推理與工具呼叫，辨識繞過限制、引用錯誤及捏造內容。\n- **搜尋與排序**：判斷「查詢 — 候選項」配對的相關性、重新排序及篩選上下文。\n- **依意圖分流**：判斷使用者需求與處理方式，例如簡單邏輯、專門模型或人員；主題、複雜度及風險決定應交給哪個語言模型。\n- **防護檢查**：檢查語言模型的輸入、輸出與工具呼叫，包含注入指令、違反規則及個人資料外洩。\n- **客服**：案件主題與意圖、急迫性、不滿程度、流失風險、退款要求及佇列安排。\n- **內容審核**：依平台規則檢查有害言論、霸凌、垃圾訊息、詐騙、危險建議及個人資料；再依嚴重程度與信心值決定放行、警告、人工檢查或封鎖。\n- **產業應用**：保險案件、金融調查與 KYC、合約及廣告、商品頁、人員招募、潛在客戶、遊戲、風險、需求預測、知識圖譜、科學文獻回顧，以及 CI 中的程式碼語意檢查。\n\n### 特性\n\n- **`jev-latest`**：最新穩定版本的別名，目前為 Jev 1.13；實際回答版本會出現在 `model` 欄位，例如 `jev-1.13.0`。推出新版本後，別名會指向新版本，回答可能在您未修改程式的情況下改變。若門檻是依特定版本調整的，請留意此欄位。\n- **上下文**：每項請求為 64K token，包含狀態及所有問題；狀態加上最長問題，最多為 32K。模型只讀取狀態一次，再平行評估所有問題。\n- **輸入**：僅文字，可為字串、JSON 物件或文字陣列。尚不支援圖片、音訊與影片，應先轉成文字。\n- **語言**：主要訓練語言為英文，目前以英文的正確率最高。也接受其他語言，包括中文、日文與韓文，但正確率較低，應以自己的資料驗證。\n- **Ailoot API 的價格與計費** — 條件依所選方法而定，並列於該方法的卡片中。\n- **設定**：Jev 不以客戶資料微調。自有資料放在 `state`，領域規則放在 `instructions` 與 `criteria`。\n- **資料**：TypeSafe 表示，Jev 不會以客戶的請求與回答進行訓練。\n\n### Jev 1.13 的已知弱點\n\nTypeSafe 公開列出目前版本的弱點，並表示未來版本會改善許多部分。模型速度快、機率經過校準，也擅長常識判斷，但仍有下列限制：\n\n1. **按字面理解。** 回答寫出的問題，而非隱含的意思；保留條件、否定及隱含條件都按字面解讀。請在 `criteria` 寫出精確條件與邊界情況；無法避免的解讀，拆成兩個字面問題。\n2. **不是計算機。** 字元、重複項與清單元素的計數不可靠，資料量越大，錯誤越容易增加。請在程式碼中計數，每個候選項各問一題。模型對 hex 或 RGB 色彩的理解，不如顏色名稱。`score` 適合門檻判斷，不適合取得等級間的精確數字。\n3. **日期與時間。** 比較日期先後、計算間隔或判斷是否落在期間內，均不可靠，混合格式與相對日期尤其如此。可透過 choice 擷取日期各部分，加入「未註明」選項，再用程式碼比較。\n4. **間接問法。** 雙重否定及詢問某種特性的特性，會降低正確率。請直接表達，並明確寫出狀態各部分的名稱。\n5. **狀態中的多餘內容。** 無關文字會降低正確率。請用程式碼過濾；若無法過濾，可用 noul 問題排除不相關內容。\n6. **惡意文字。** 模型預設不會預期狀態中有陷阱；注入指令，或試圖爭辯自身分類的文字，可能改變回答。請指定精確條件，並在上線前檢查邊界情況。\n7. **相互矛盾。** 若 `instructions` 與 `criteria` 要求不同，例如 noul 的「是」被描述成「否」，正確率就會下降。判斷條件是問題的延伸。\n8. **選項順序。** 模型有時偏向 choice 的第一個選項。請重新排列選項，檢查回答是否維持一致。\n9. **內容生成。** Jev 未受過文字撰寫訓練。擷取資料時，請先以正規表示式或生成模型找出候選內容，再讓 Jev 透過 choice 選出正確項目。", "alias_of": null, "aliases": [], "author": "TypeSafe", "ctx": 64000, "formats": [ "systemone" ], "guide": "/docs/api/systemone/", "id": "jev-latest", "input": [ "text" ], "kind": "decision", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Retain every answer by its supplied question ID, probability and legend; confidenceformulausingnrequiresn>1withoutassertinganAPIminchoicesrule.", "errors": [ { "code": null, "condition": "必要欄位、素材表示方式或參數值無效", "http_status": 400, "recovery": "提出新的建立請求前，先修正指定欄位。", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "mode": "exact retained published method" }, "material_combinations": [ { "mode": "noul", "required": [ "state", "questions..type=noul" ] }, { "mode": "choice", "required": [ "state", "questions..type=choice", "criteria object" ] }, { "mode": "score", "required": [ "state", "questions..type=score", "nonemptycriteriaarray" ] } ], "operation_modes": [ "noul", "choice", "score" ], "outputs": { "all_results": "請依提供的問題 ID、機率與圖例保留每個答案；使用 n 的信心值公式要求 n>1，但這不代表 API 規定了選項數量下限。", "family": "structured", "fields": [ { "description": null, "name": "answers..type", "type": "string" }, { "description": null, "name": "answers..noul", "type": "number" }, { "description": null, "name": "answers..choice", "type": "string" }, { "description": null, "name": "answers..score", "type": "number" }, { "description": null, "name": "answers..confidence", "type": "number" }, { "description": null, "name": "answers..probabilities", "type": "object" }, { "description": null, "name": "answers..legend", "type": "object" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "jev-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "state", "required": true, "type": "string|object|array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_properties": 1, "name": "questions", "required": true, "type": "object" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "noul", "choice", "score" ], "enum_known": true, "name": "questions..type", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..instructions", "required": false, "type": "string|object|array|null" }, { "availability": "source_interface", "conditions": "noul：選填且可為空值的 true/false 說明；choice：條件物件；score：非空的條件陣列", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "questions..criteria", "required": false, "type": "object|array|null" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ false, null ], "enum_known": true, "name": "stream", "required": false, "type": "boolean|null" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "stream=true", "duplicateandcase-variedcanonicalkeys" ] }, "hints": [ "方法結構與 ID 均為精確值；供應商能力與准入狀態分開。" ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "state", "questions" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/systemone" }, "operation_modes": [ "systemone" ], "output": { "family": [ "structured" ], "format": "structured decisions JSON", "multioutputs": "retain every actual response output" } }, "ctx": 64000, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 customer message}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"jev-latest\", \"state\": \"\", \"questions\": {\"is_urgent\": {\"type\": \"noul\", \"instructions\": \"Does the supplied customer message express urgency?\"}}}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"state\"]=text\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"result.json\").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\n", "label": "Classify your actual customer message", "language": "bash" } ], "family": "systemone", "fast_multiplier": null, "flex_multiplier": null, "fmt": "systemone", "http": "POST", "img_in": null, "img_out": null, "in": 0.084, "input": [ "text" ], "label": "System One", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "structured" ], "path": "/v1/systemone", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.084, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "jev-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "jev-latest", "request_model_id": "jev-latest", "route_label": "Core" } ], "name": "jev-latest", "price": { "in": 0.084, "in_label": null, "out": 0, "out_label": null, "sort_in": 0.084, "sort_out": 0, "varies": false }, "short": "TypeSafe 的決策模型不撰寫文字，而是回答關於文字或 JSON 的特定型別問題，例如選項選擇、尺度評分，或附帶機率的「是／否」。適合請求路由、客服案件分類、內容審核與評分；同一請求中的所有問題會平行評估。" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "TypeSafe 的決策模型不撰寫文字，而是回答關於文字或 JSON 的特定型別問題，例如選項選擇、尺度評分，或附帶機率的「是／否」。適合請求路由、客服案件分類、內容審核與評分；同一請求中的所有問題會平行評估。", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "4b9468a8d4bca062372dae295c3ef19c959722c34cb149ece008550c77f133f1", "renderer_sha256": "13a3fc1b22d07359278e2249d630bfc9bb9e6416c71ba53def933fb5a903660b" }, "sourceRevision": "981b680df4e481ff7adfafcad62914046a779e192cf180217d24482357bc5793" }