文章总结： 本文介绍TypeSafe推出的决策模型Jev，它不做文本生成，仅处理选择题、打分题和判断题，返回类型化结果，适合作为智能体内部控制层。文章详述其三种决策类型、与LLM的区别、适用场景与局限，并给出安全领域应用示例及接口调用参数，为安全建设提供新思路。
综合评分： 82
文章分类： AI安全,安全建设,安全运营

最近爆火的jev到底是什么？安全建设能用吗？

原创

initsec
initsec

初始安全

2026年9月20日 22:19
四川

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

最近爆火的 Jev 到底是什么

官方文档：https://docs.typesafe.ai/introduction

Jev 是 TypeSafe 推出的旗舰闭源模型，也是首款 System One 模型。给它一段应用状态和一组预先定义好的问题，它会返回可以直接交给代码使用的结构化决策结果。

我更愿意把它称为决策模型。DeepSeek、Kimi 等模型生成文本，Jev 不做聊天，也不输出自然语言句子。它只处理选择题、打分题和判断题，可在约 100 毫秒内给出结果，返回类型化选项、评分、概率和置信度。

简言之，Jev 是面向机器消费的决策 AI，而非供人类阅读的文本生成器。输入应用状态与预先定义好的问题，它直接返回类型化选项、评分、概率和置信度。因此非常适合作为智能体的内部控制层，负责路由、排序、重试、升级或停止等决策；只有当业务真正需要生成自然语言文本时，再去调用通用大语言模型。

base

三种决策类型

Jev API 把决策拆成三种类型。这样做是为了收窄问题范围，让模型只负责判断，不负责组织回答。：

举个场景：处理单次客服工单时，可以一次同时发起多项判断：该工单分配给哪个团队（Choice）、客户不满程度（Score）、客户是否明确提出退款诉求（Noul）。业务代码仅需要通过普通if逻辑组合这些类型化结果即可。TypeSafe 官方将 Jev 比喻成智能 if 语句：当手写硬编码规则容易失效时，用来完成分类、路由、打分、信息提取、流程分支判断。

jev-api-decision-types-mindmap

Jev 与 LLM 的核心区别

二者最核心区别在输出形态。传统大语言模型逐 Token 生成字符串，业务拿到文本后还需要自行解析、校验格式，还要面对幻觉、输出格式错乱的风险。而 Jev 需要预先定义全部合法答案集合，直接返回强类型结果，无需额外解析，从根源消除格式解析异常。

两个突出特性：

并行采样：Jev 可以并行处理一次请求内的全部问题；哪怕同时提交 10 个问题，响应耗时几乎不会增加。
校准置信度：Jev 使用 TypeSafe 提出的**RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）**训练，以真实业务结果作为优化目标，而非单纯拟合人类偏好。整体上置信度越高，预测准确率越高，这个特性对判断是否自动执行、是否转交人工非常关键。

Jev 和 LLM 一样具备自然语言理解能力，当前仅支持纯文本输入（字符串、JSON、文本数组），暂不支持图片、音频、视频多模态。

Jev 的适用场景与局限

Jev 面向答案集合已知、高频重复的决策场景设计，适合工单分类、意图路由、内容审核、信息提取、指标打分，也可以作为其他大模型输出结果的安全护栏。得益于多问题并行，且不会因为增加问题产生额外输出计费，可以采用 “扇出” 模式，一次性提交全部待判断问题，再交由业务代码筛选需要使用的结果。

不适用场景：凡是需要生成内容的任务都不适合，例如对话聊天、代码生成、推理过程解释等。

另外有两处重要局限：

没有通用世界知识。Jev 仅能读取你传入的上下文state，不会主动调用外部工具查询信息，这也决定了基于它搭建工作流的能力上限。
置信度校准属于群体统计属性。TypeSafe 明确说明，校准效果建立在大量预测样本之上，不保证单次调用结果一定正确，Jev 依然会出现判断错误。

Jev 体验渠道

可以从官方排队申请

1、在官网 https://typesafe.ai/ 加入候补名单 waitlist，务必填写附加问卷，一般 24 小时内即可通过；新用户默认赠送 5U 额度。

2、Codex 对话安装方式（也可手动下载 skill 配置文件导入操作台）：

Install the TypeSafe skill. run `npx skills add typesafe-ai/skills --skill typesafe-ai`. You can&nbsp;read&nbsp;the skill directly at https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md (raw: https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md). Then use the TypeSafe skill when working on this project.

3、回到操作台，建立 API Key。

4、在提示词开头说明 use the TypeSafe skill 即可

use the TypeSafe skill，api key 已设置到环境变量 TYPESAFE_API_KEY，ip: 1.2.3.4 访问了 https://www.gm7.org/.git/config，帮我判定是否为恶意攻击行为、对漏洞类型进行分类，同时对威胁进行打分。

image-20260920085423935

除官方渠道外，有一些三方渠道也可以体验 jev，价格基本都在 $0.042 / 100 万输入 Token。

https://openrouter.ai/~typesafe/jev-latest
https://vercel.com/ai-gateway/models/jev
https://developers.cloudflare.com/ai/models/typesafe/jev/
https://www.netlify.com/changelog/typesafe-jev-ai-gateway/
https://model.kyssta.lol/typesafe/jev-latest

Jev 接口调用参数

POST /v1/systemone HTTP/1.1
Host: api.typesafe.ai
Authorization: Bearer&nbsp;${TYPESAFE_API_KEY}
Content-Type: application/json
{
&nbsp;&nbsp;"state":&nbsp;${STATE}, &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; // string | object | array，所有问题共享的上下文
&nbsp;&nbsp;"model":&nbsp;${MODEL}, &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; // 例如 jev-latest

&nbsp;&nbsp;"questions": {
&nbsp; &nbsp;&nbsp;"${noul_question_id}": {
&nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"noul", &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;// yes/no 判断，返回 yes 概率
&nbsp; &nbsp; &nbsp;&nbsp;"instructions":&nbsp;${NOUL_INSTRUCTIONS},
&nbsp; &nbsp; &nbsp;&nbsp;"criteria": { &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; // 可选，定义&nbsp;true/false&nbsp;的边界
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"true":&nbsp;${YES_MEANING},
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"false":&nbsp;${NO_MEANING}
&nbsp; &nbsp; &nbsp; }
&nbsp; &nbsp; },

&nbsp; &nbsp;&nbsp;"${choice_question_id}": {
&nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"choice", &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; // 从封闭集合中选一个
&nbsp; &nbsp; &nbsp;&nbsp;"instructions":&nbsp;${CHOICE_INSTRUCTIONS},
&nbsp; &nbsp; &nbsp;&nbsp;"criteria": { &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; // 必填：选项 -> 选项定义
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"${option_1}":&nbsp;${OPTION_1_DEFINITION},
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"${option_2}":&nbsp;${OPTION_2_DEFINITION},
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"${no_match_option}":&nbsp;${NO_MATCH_DEFINITION}
&nbsp; &nbsp; &nbsp; }
&nbsp; &nbsp; },

&nbsp; &nbsp;&nbsp;"${score_question_id}": {
&nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"score", &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;// 按有序等级评分
&nbsp; &nbsp; &nbsp;&nbsp;"instructions":&nbsp;${SCORE_INSTRUCTIONS},
&nbsp; &nbsp; &nbsp;&nbsp;"criteria": [ &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; // 必填：2–10 个有序等级
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;${LEVEL_0}, &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;// 低
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;${LEVEL_1}, &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;// 中
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;${LEVEL_N}&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;// 高
&nbsp; &nbsp; &nbsp; ]
&nbsp; &nbsp; }
&nbsp; }
}

响应框架

{
&nbsp;&nbsp;"model":&nbsp;${RESOLVED_MODEL},
&nbsp;&nbsp;"answers": {
&nbsp; &nbsp;&nbsp;"${noul_question_id}": {
&nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"noul",
&nbsp; &nbsp; &nbsp;&nbsp;"noul":&nbsp;${PROBABILITY_OF_YES}
&nbsp; &nbsp; },
&nbsp; &nbsp;&nbsp;"${choice_question_id}": {
&nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"choice",
&nbsp; &nbsp; &nbsp;&nbsp;"choice":&nbsp;${BEST_OPTION},
&nbsp; &nbsp; &nbsp;&nbsp;"probabilities":&nbsp;${OPTION_DISTRIBUTION},
&nbsp; &nbsp; &nbsp;&nbsp;"confidence":&nbsp;${CONFIDENCE}
&nbsp; &nbsp; },
&nbsp; &nbsp;&nbsp;"${score_question_id}": {
&nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"score",
&nbsp; &nbsp; &nbsp;&nbsp;"score":&nbsp;${WEIGHTED_LEVEL_INDEX},
&nbsp; &nbsp; &nbsp;&nbsp;"legend":&nbsp;${LEVEL_INDEX_TO_DESCRIPTION},
&nbsp; &nbsp; &nbsp;&nbsp;"probabilities":&nbsp;${LEVEL_DISTRIBUTION},
&nbsp; &nbsp; &nbsp;&nbsp;"confidence":&nbsp;${CONFIDENCE}
&nbsp; &nbsp; }
&nbsp; },
&nbsp;&nbsp;"usage": {
&nbsp; &nbsp;&nbsp;"input_tokens":&nbsp;${INPUT_TOKENS},
&nbsp; &nbsp;&nbsp;"output_tokens":&nbsp;${OUTPUT_TOKENS}
&nbsp; }
}

核心抽象就是三个部分：state 提供上下文，questions 定义一组独立的类型化判断，answers 按同样的 question_id 返回结构化结果。

安全领域典型应用场景

漏洞数据包智能分析
安全告警自动化研判
IP 是否执行封禁的判定
资产风险评分
漏洞风险自动定级
…

把 Jev 接入 AI SOC 的研判流程后，可以把分类、定级和封禁判断交给它，减少大模型推理的 Token 消耗，也能缩短告警研判时间。

image-20260920141947631

{
&nbsp; &nbsp;&nbsp;"state":&nbsp;"{\"event_id\":\"123\",\"src_ip\":\"14.146.259.4\",\"rule_id\":\"m_rule/aab3\",\"rule\":{\"rule_name\":\"sky\"},\"attack_type\":14,\"attack_type_str\":\"Info Leak\",\"timestamp\":\"1789265201\",\"site_uuid\":\"6\",\"website_name\":\"测试-https\",\"website\":\"https://www.gm7.org/_profiler/phpinfo.php\",\"action\":{\"value\":1,\"translation\":\"Deny\"},\"risk_level\":\"Medium\",\"count\":52}",
&nbsp; &nbsp;&nbsp;"model":&nbsp;"jev-latest",
&nbsp; &nbsp;&nbsp;"questions":
&nbsp; &nbsp; {
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"vulnCategory":
&nbsp; &nbsp; &nbsp; &nbsp; {
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"choice",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"instructions":&nbsp;"是对应的哪一种攻击类型？",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"criteria":
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; {
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"注入类":&nbsp;"攻击者通过可控输入，拼接恶意语句交由后端解析器执行，如SQL注入、命令注入、模板注入等",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"配置类":&nbsp;"系统、中间件、云资源等运维部署配置不当引发风险，如默认密码、开启目录浏览、危险调试模式等",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"信息泄露类":&nbsp;"系统对外非预期暴露敏感信息，如源码备份泄露、堆栈报错泄露、密钥与用户隐私泄露等",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"权限越权类":&nbsp;"鉴权校验缺失，低权限用户访问或操作非自身/高权限资源，包含水平越权、垂直越权、未授权访问",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"认证会话类":&nbsp;"身份认证、会话管理存在缺陷，如弱口令、验证码失效、会话固定、Cookie安全属性缺失",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"跨站类":&nbsp;"前端输出过滤不足，包含XSS跨站脚本、CSRF跨站请求伪造",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"代码执行类":&nbsp;"可直接执行用户可控代码或系统指令，含反序列化漏洞等",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"业务逻辑类":&nbsp;"业务流程设计缺陷，通过篡改业务流程实现违规操作，如支付篡改、短信轰炸、风控绕过",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"文件上传类":&nbsp;"上传校验不严，可上传恶意脚本文件并触发解析执行，如图片马、后缀绕过上传",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"第三方组件类":&nbsp;"框架、中间件、依赖组件本身存在原生CVE漏洞"
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; }
&nbsp; &nbsp; &nbsp; &nbsp; },
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"threatScore":
&nbsp; &nbsp; &nbsp; &nbsp; {
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"score",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"instructions":&nbsp;"判定该事件对应的威胁评分（CVSS 0~10分）",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"criteria":
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; [
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"0|无风险：属于正常访问、误报，不存在可利用安全隐患",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"1|低危：仅少量非敏感信息暴露，利用条件苛刻，危害有限",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"2|中危：可获取部分敏感信息，存在被进一步利用的可能性",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"3|高危：可读取敏感数据或有限执行命令，存在较大业务与资产风险",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"4|严重：可直接获取服务器权限、核心数据，可快速拿下全站，影响范围极大"
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; ]
&nbsp; &nbsp; &nbsp; &nbsp; },
&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"needBlock":
&nbsp; &nbsp; &nbsp; &nbsp; {
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"type":&nbsp;"noul",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"instructions":&nbsp;"分析该安全事件，判断是否需要对源IP执行封禁操作",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"criteria":
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; {
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"true":&nbsp;"需要封禁：攻击者持续发起攻击，存在明确恶意行为，封禁可有效降低安全风险",
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;"false":&nbsp;"无需封禁：属于误报、单次探测行为，无持续攻击意图，封禁会影响正常业务访问"
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; }
&nbsp; &nbsp; &nbsp; &nbsp; }
&nbsp; &nbsp; }
}

其他实践案例

极速浏览器 Agent[1]
实时游戏决策[2]
股票交易 – 【别试，会亏钱】[3]
…
合集 awesome-jev[4]

参考

https://www.eigent.ai/zh-CN/blog/typesafe-ai-jev-system-one-models
https://wavect.io/zh/blog/jev-ai-decision-model-review/
https://x.com/ai_xiaomu/status/2101135680168771979?s=46
https://x.com/mileson07/status/2101167448448004249?s=46

参考资料

[1]

极速浏览器 Agent: https://github.com/browser-use/jev-ultrafast

[2]

实时游戏决策: https://typesafe.ai/blog/introducing-system-one-models-and-jev

[3]

股票交易 – 【别试，会亏钱】: https://github.com/jarrodwatts/jev-trader

[4]

合集 awesome-jev: https://github.com/cobanov/awesome-jev

END –

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：初始安全 initsec
initsec《最近爆火的jev到底是什么？安全建设能用吗？》

Tags: AI安全安全建设安全运营

你可能错过

Docker Mac沙箱逃逸漏洞详解

护网出局单位的RCE

我的读书笔记：从打焦虑老鼠到打boss

功能安全ISO 26262：从ASIL等级到嵌入式软件实现——安全机制、FMEDA与双核锁步