Jev 模型：搭配 Claude Code 提速的三種用法

你有沒有這種經驗：叫 Claude Code 做一個小判斷——「這個任務需要工具還是直接回答？」——它卻要花好幾秒鐘、燒掉一堆 token（一種計費單位，約半個中文字或一個英文單字），最後還給了你一大段文字，你還要自己從裡面摘答案。

我最近看了 Jev 這個新模型，它是 ChatGPT 共同發明人 Diogo Almeida 離開 OpenAI 後創的 TypeSafe AI 推出的。它的做法跟所有你認識的大型語言模型（LLM，就是會逐字生成文字的那些 AI）都不一樣：它不寫文字、只給結構化判斷，速度快到毫秒級、價格只有傳統模型的幾十分之一。

Jev 不是來取代 Claude Code 的——它是來幫 Claude Code 做那些「快速小判斷」的。 搭配起來用，你的 AI 工作流可以更快、更省、還更可靠。

Jev 是什麼：不寫文字的 AI 模型

先講一句可能會顛覆你認知的話：大部分你用的 AI 模型（Claude、GPT、Gemini）都是「逐字生成」的——它們一個 token 接一個 token 地寫文字，所以會慢、會貴。

Jev 不走這條路。TypeSafe 把它叫做 System One 模型——這個名字來自心理學家 Daniel Kahneman 的《思考，快與慢》。簡單說：

• System 2（傳統大型語言模型）：深思熟慮、逐字生成，靈活但慢——寫文章、寫程式、做分析都適合。
• System 1（Jev）：直覺式快速判斷、平行輸出、只能給結構化答案。適合分類、篩選、評分。

TypeSafe 的官方說法是：Jev 可以回答三種格式的問題，而且它的「答案」從來不是文字：

這聽起來好像限制很大——只能選、只能打分、只能判斷？但這就是它的聰明之處：因為答案格式是固定的，Jev 不可能編造不存在的答案（它叫不出不存在的選項、給不出你沒設定的刻度），而且輸出極小，所以 TypeSafe 連輸出 tokens 都不收費。

Jev 的定價：輸入 $0.042 / 1M tokens，輸出免費

我直接去 TypeSafe 官方文件 (docs.typesafe.ai/models) 核對過，目前 Jev 的定價如下：

官方文件寫得很清楚：$0.042 是每百萬輸入 tokens 的價格，換算成十億 tokens（TypeSafe 叫它 Btok）就是 $42。

TypeSafe 創辦人 Diogo Almeida 原話是輸出「too cheap to meter」（便宜到不用計量）。

但要注意：Jev 的定價比不了傳統大型語言模型，因為它的輸出根本免費——這類模型要為生成文字付費，而 Jev 只對你丟過去的輸入狀態收費。這不是一回事。

怎麼開始用 Jev

Jev 已經對所有人開放（2026/9/20 起取消候選名單），有四條主要管道可以呼叫：

我建議從 TypeSafe 直接開始——他們送免費額度讓你玩。如果你已經在用 OpenRouter，也可以透過它呼叫（模型 ID：typesafe/jev），但記得用專屬的 /api/alpha/decisions 端點，一般的 chat-completions 端點不支援 Jev。

OpenRouter 的最低儲值是 $5（根據 OpenRouter 官方說明），不是某些地方寫的 $10——$10 其實是升級速率限制的門檻，不是開戶最低金額。

用法一：幫 Claude Code 做模型路由

這是影片中最實用的場景之一。

你叫 Claude Code 做事的時候，它每次都會自動選一個模型來執行。問題是——不是每個任務都需要 Opus。找個檔案路徑、檢查一句語法錯誤，用 Haiku 就夠了；只有複雜的程式重構才需要 Opus。

過去你要做模型路由（讓 AI 根據任務難度自動選最便宜的模型），得自己寫邏輯判斷每個任務該用哪個模型。現在有了 Jev，你可以讓它幫你做這個決定：

把任務描述丟給 Jev，讓它判斷這個任務需要的模型等級，然後你的 Claude Code 根據 Jev 的判斷來選模型。

影片中的測試顯示：12 個任務中，有 9 個根本不需要 Opus——不過實際能省多少，取決於你自己的工作負載，建議先在自己的專案上跑跑看。

我自己的思路是：你不需要每次都讓 Claude Code 花大錢調用高階模型。對於大量的小判斷——「這個提示詞需要工具嗎？」「這個編輯會破壞規則嗎？」「這段上下文還需要保留嗎？」——用 Jev 先過一遍，只有真正需要深度思考的才交給 Opus。

GitHub 上已經有兩套開源工具可以做這件事：

• jev-code：一鍵安裝到 Claude Code / Codex / Pi / OpenCode
• claude-jev：Claude Code plugin，用於規則檢查、context compaction、prompt routing

用法二：從大量技能中快速找到需要的

Claude Code 可以裝很多技能集，但如果你工作空間裡有上百個技能集，每次讓 Claude 自己找合適的那個，既慢又浪費 token。

Jev 可以做這個篩選工作：把你的技能集清單和當前任務丟給它，讓它從中挑出最相關的幾個。影片中的測試是 14 筆資料：Jev 平均 5 秒內就找到了正確的技能，而直接用 Opus 則花了約 30 秒。

這跟模型路由的原理一樣：都是讓 Jev 做「快速小判斷」，把慢的、貴的大型語言模型解放出來處理真正需要深度的工作。

用法三：大量分類任務的自動化

這是 Jev 最擅長的事——也是它跟大型語言模型差異最大的地方。

假設你收到 100 封郵件，需要判斷哪些是潛在客戶、哪些是垃圾郵件、哪些是現有客戶的詢問。用傳統大型語言模型一封信一封信地分析，又慢又貴。但 Jev 可以一次吃進所有郵件的狀態（state），然後給每封郵件一個分類標籤：

這套模式可以套用到很多場景：

• 客服工單分類：技術問題、帳單問題或帳號問題都可以處理
• 發票詐騙偵測：企業級應用中，Jev 可以快速篩選可疑發票
• 社群內容審核：垃圾訊息、違規內容或正常留言都可以判斷
• 客戶流失預測：訂閱制軟體中，判斷哪些客戶可能流失

關鍵是：你的業務邏輯仍然在你的程式碼裡。Jev 只負責中間的決策環節——它給出分類結果和信心分數，你的程式碼根據這些結果決定下一步動作。

誠實說：Jev 的限制

Jev 很強大，但它不是萬能的。我從官方文件整理了一些需要注意的地方：

尤其需要注意的是語言支援。官方文件明確寫道：「英文是主要訓練語言，準確度目前最佳。其他語言包括 CJK 腳本都可以處理，但準確度不等同於英文。」所以如果你要在中文場景使用 Jev，建議先用自己的資料做測試，特別是要注意信心分數的設定。

最後說兩句

Jev 最吸引人的地方不是它便宜（雖然真的很便宜），而是它重新定義了 AI 能做什麼。

過去我們習慣用大型語言模型做一切事——分類、篩選、判斷、生成文字。但 Jev 告訴我們：有些任務根本不需要文字輸出，只需要一個結構化的判斷。把這些「小判斷」從大型語言模型解放出來，讓 Claude Code 專注於它擅長的事（寫程式、做分析、生成內容），同時用 Jev 處理那些快速、重複的決策——這樣搭配起來，你的 AI 工作流會更快、更省、也更可靠。

TypeSafe 的創辦人 Diogo Almeida 是 ChatGPT 和 RLHF 的共同發明人，這個背景讓 Jev 的設計有別於市面上其他模型。它不是大型語言模型的「更便宜版」，而是一個全新的模型類別。

工具本身（Jev）是免費開源的，跟 Coocolab 沒有關係——我只是把「怎麼用這個新模型搭配你手邊的 AI 工具」這件麻煩事，整理成一篇你看完就能開始用的指南。

三種用法快速對照

用法	適合場景	Jev 角色
模型路由	任務需自動選模型	判斷器：該用哪個模型？
技能篩選	上百技能中找需要的	推薦器：哪幾個最相關？
批量分類	大量資料逐筆處理	分類器：每筆給標籤

延伸閱讀：

Claude Code 免費跑：Ollama 或 OpenRouter — 如果你還在為 Claude Code 的 token 帳單煩惱，這篇可以幫你省更多。

把 Claude 接進 TradingView — MCP 讓 AI 直接讀你的 K 線，搭配 Jev 可以做更聰明的模型路由。

Claude Code 免費跑：Ollama 或 OpenRouter — 把 Claude Code 接到 OpenRouter 的更多細節。