最近爆火的jev到底是什么?安全建设能用吗?"

admin 2026-10-16 11:52:06 网络安全文章 来源:ZONE.CI 全球网 0 阅读模式

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。:

原语 问题形式 返回结果 举例问题 关键要点
Choice(选择) 封闭式选择题,预先给定候选集合,最多支持 255 个选项 最优选项、全部选项的概率分布、置信度 这条安全告警属于哪一类?候选:[注入类、配置类、信息泄露类、other] 支持增加 other 选项表达「以上都不符合」;适合分类、工单路由、资产标签
Score(评分) 有序量表打分,设置 2‑10 个等级,每个等级附带判定说明 分数,对应等级、各等级概率分布、置信度 评估该漏洞的风险等级:[信息、低、中、高、严重] 用于连续性维度评估:风险等级、危害程度、满意度等;是有序分级,并非简单的 0~1 数值
Noul(布尔概率) 命题真伪判断题 单个 0 ~ 1 浮点数:该命题为 “是” 的概率 这封邮件是否属于钓鱼邮件? 没有独立 confidence 字段,概率值本身就是置信度;适合条件分支、安全校验、是否人工介入

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。

Jev(System One) 主流大语言模型
输出内容 类型化决策结果 + 概率信息 生成自由文本字符串
采样方式 并行,一次性批量处理多个问题 串行,逐 Token 生成
响应延迟 70‑500 毫秒(官方公开数据) 秒级
结构化输出错误 理论 0% 存在出错概率
置信度 输出经过校准 普遍存在过度自信现象

两个突出特性:

  1. 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。
  2. 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:

  1. 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。
  2. 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 read 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 ${TYPESAFE_API_KEY}
Content-Type: application/json
{
  \"state\": ${STATE},                       // string | object | array,所有问题共享的上下文
  \"model\": ${MODEL},                       // 例如 jev-latest

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

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

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

响应框架

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

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

{
    \"state\": \"{\\\"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}\",
    \"model\": \"jev-latest\",
    \"questions\":
    {
        \"vulnCategory\":
        {
            \"type\": \"choice\",
            \"instructions\": \"是对应的哪一种攻击类型?\",
            \"criteria\":
            {
                \"注入类\": \"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\",
                \"配置类\": \"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\",
                \"信息泄露类\": \"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\",
                \"权限越权类\": \"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\",
                \"认证会话类\": \"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\",
                \"跨站类\": \"前端输出过滤不足,包含XSS跨站脚本、CSRF跨站请求伪造\",
                \"代码执行类\": \"可直接执行用户可控代码或系统指令,含反序列化漏洞等\",
                \"业务逻辑类\": \"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\",
                \"文件上传类\": \"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\",
                \"第三方组件类\": \"框架、中间件、依赖组件本身存在原生CVE漏洞\"
            }
        },
        \"threatScore\":
        {
            \"type\": \"score\",
            \"instructions\": \"判定该事件对应的威胁评分(CVSS 0~10分)\",
            \"criteria\":
            [
                \"0|无风险:属于正常访问、误报,不存在可利用安全隐患\",
                \"1|低危:仅少量非敏感信息暴露,利用条件苛刻,危害有限\",
                \"2|中危:可获取部分敏感信息,存在被进一步利用的可能性\",
                \"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\",
                \"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\"
            ]
        },
        \"needBlock\":
        {
            \"type\": \"noul\",
            \"instructions\": \"分析该安全事件,判断是否需要对源IP执行封禁操作\",
            \"criteria\":
            {
                \"true\": \"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\",
                \"false\": \"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\"
            }
        }
    }
}

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 -

最近爆火的jev到底是什么?安全建设能用吗?" 网络安全文章

最近爆火的jev到底是什么?安全建设能用吗?"

本文介绍TypeSafe推出的闭源决策模型Jev,它不做文本生成,仅处理选择题、打分题和判断题,返回类型化决策结果,适合作为智能体内部控制层。文章详述三种决策类型、与LLM区别、适用场景、局限、体验渠道及接口调用参数,并给出安全领域典型应用场景。建议在答案集合已知的高频重复决策场景中采用Jev,可减少大模型Token消耗并缩短告警研判时间。
智能 API安全管理系统:筑牢大模型API安全防线" 网络安全文章

智能 API安全管理系统:筑牢大模型API安全防线"

本文为嘉韦思智能API安全管理系统的产品介绍,针对大模型API调用量增长带来的安全管理问题,提出以威胁感知为核心的解决方案。系统具备API资产自动梳理、敏感数据泄露感知、异常行为与威胁智能检测及API脆弱性主动发现四大能力,支持旁路镜像和反向代理两种部署模式,旨在为企业大模型API提供持续动态的安全监测与防护,保障合规运营。
共探海洋卫星互联网网络安全新路径——盛邦安全出席第八届卫星互联网技术与应用研讨会" 网络安全文章

共探海洋卫星互联网网络安全新路径——盛邦安全出席第八届卫星互联网技术与应用研讨会"

盛邦安全出席第八届卫星互联网技术与应用研讨会,分享海洋卫星互联网网络安全探索。文章列举伊朗油轮船队遭攻击、直布罗陀海峡油轮遇袭等真实案例,指出海洋通信安全面临链路切换真空期、通信安全分离、终端数据薄弱三重困境,提出智能调度安全内生的应对思路,包括异构多链路协同、安全能力嵌入通信架构、国密硬件密码模块等方案,并分享远洋船舶部署实践验证效果。
评论:0   参与:  0