上周朋友圈被一个叫 Jev 的模型刷屏了，说它比大模型快两个数量级，还不会幻觉。我兴冲冲打开 OpenCode 想试试，结果在模型列表里翻了两遍——没有。
后来查了一圈才明白：Jev 是 9 月 15 号才发布的模型，我用的 OpenCode v1 内置列表还没跟上它；而且它压根不是拿来聊天的，是拿来做决定的。想用上它，得装 OpenCode 2。
装完顺手把 OpenCode 2 的免费模型清单也翻了个底朝天——这一翻，还真翻出点东西。
先搞清楚：Jev 不是聊天机器人
Jev 是 TypeSafe AI 出的第一款 System One 决策模型，官方藏了两年才放出来。它的核心特点一句话就能说清：不生成任何文本，只回答结构化问题。
你给它一个场景 + 几个问题，它返回的是答案本身，还附赠一个「这个答案我有多确定」的概率。官方说它比传统 LLM 快两个数量级——因为不吐字，只算数，速度自然不是一个量级。
那「不会幻觉」怎么说？传统大模型答非所问，是因为它肚子里有一整套「编故事」的机制；Jev 的输出被限制在几个格式里，想编也没有出口。所以官方敢说它 "can't hallucinate"——不是不容易幻觉，是结构上就幻觉不了。
它的「语言」只有三种，官方叫三原语：
• noul（是/否）：返回 0 到 1 的概率。比如「这笔订单需要人工审核吗？」→ 0.87，意思是 87% 需要。
• choice（多选一）：最多 255 个选项，返回选了哪个 + 每个选项的概率分布。比如「这个 bug 派给哪个团队？」→ 前端 62%、后端 21%、API 12%。
• score（打分）：2 到 10 级有序等级，返回概率加权后的位置，可以落在两个等级中间。比如「这段代码可维护性几分？」→ 6.4 分。
为什么需要这么个「不说话的 AI」
你可能觉得奇怪：让 AI 做决定，直接用大模型不就行了？还别说，真不是一回事。
传统做法是：写一大段提示词，让大模型输出一坨 JSON，再写代码去解析、校验、兜底。费 token 不说，最大的坑是格式随缘——今天给你 `{"level": "high"}`，明天给你 `"答案是 high，因为你描述的情况看起来比较严重"`。解析代码写得再稳，也架不住模型哪天心情不好。
Jev 把「生成内容」和「做决定」拆开了：做决定的事交给它，概率清清楚楚，结构永远不变；要解释、要润色、要写代码，再交给大模型。各干各的活，都不拧巴。
适合它的场景都是「要拍板」的活：工单自动分类、内容安全拦截、代码评审预筛、A/B 实验分流……本质上是把过去用 if-else 写死、或用大模型猜的规则，换成一个又快又稳的决策器。
怎么在 OpenCode 2 里免费用到 Jev
先说前提：Jev 走的是独立的 systemone 端点，不是普通对话接口，所以老版本 OpenCode 的模型列表里看不到它——我开头找了两遍没找着，就是这个原因。要解锁它，两条路：装 OpenCode 2，或者直接在命令行里调用 Zen 的 systemone 接口。
OpenCode 2 上周刚转正（怎么迁我上一篇写过，这里不啰嗦），装它一步到位：
# 任选一条
npm install -g @opencode/cli
curl -fsSL https://opencode.ai/v2/install | bash
装完去 opencode.ai/console登录，生成一个 Zen API key。接下来就能直接调 Jev 了。下面是个工单路由的完整例子——判断一条工单是否紧急，再决定派给哪个团队：
curl https://opencode.ai/zen/v1/systemone \
-H "Authorization: Bearer $OPENCODE_KEY" \
-d '{
"model": "jev-1.13-free",
"state": { "title": "用户登录后白屏", "location": "frontend" },
"questions": [
{ "id": "q1", "type": "noul",
"question": "该问题是否紧急？" },
{ "id": "q2", "type": "choice",
"question": "该派给哪个团队？",
"options": ["前端", "后端", "API", "其他"] }
]
}'
返回（结构示意，字段以官方文档为准）：
{
"answers": [
{ "id": "q1", "type": "noul", "answer": 0.87, "confidence": 0.95 },
{ "id": "q2", "type": "choice", "answer": "前端",
"all_probs": { "前端": 0.62, "后端": 0.21,
"API": 0.12, "其他": 0.05 } }
]
}
两个问题一起问，一个来回就出结果——同一个上下文里的问题，Jev 是并行评估的，官方说「几百个问题和一个问题耗时差不多」。这才是它快得离谱的真相。
想要更省事，可以把 Jev 直接接进编程工作流——TypeSafe 官方出了个 skills 技能包，装进 OpenCode / Claude Code 这类工具后，直接用 /typesafe-ai 就能让 agent 在流程里调用 Jev 做决策：
npx skills add typesafe-ai/skills --skill typesafe-ai -g
# 然后在对话里：/typesafe-ai 帮我决定这个 bug 要不要阻塞发布
用 Jev 的四个坑
这模型好是好，但它有自己的脾气，不摸清楚会翻车。
一是 noul 的 0.5 不是「也许」，是「我不知道」。官方文档明确说过：0.5 表示模型没有足够信息，不是模棱两可。你把 0.5 当中间值去做阈值判断，等于让一个「没看懂」的模型替你拍板。
二是 choice 的概率加起来必然等于 1，所以一定要留一个「其他」选项当逃生舱。不然 Jev 只能在你给的几个选项里硬选，哪怕它觉得都不对。
三是 score 是有序等级，不是精确数值。6.4 分和 6.6 分没有意义差别，别拿打分结果去做加减乘除——官方自己都强调，score 只能比大小，不能当度量。
四是 同一个问题，换一种原语问，答案可能直接打架。官方文档里就放过这种翻车案例：同一件事用 noul 问和用 choice 问，结论完全相反。所以别拿单次结果当真理，关键决策要么多问几个角度，要么人再过一道。
另外记住：jev-1.13-free 是限时免费（官方标注 limited time），跟 OpenCode 里其他免费模型一样，说不准哪天就下班了。白嫖要趁早，重要流程别绑死它。
顺手盘点：OpenCode 2 的免费模型全家桶
既然装了 v2，顺便把它的免费模型清单翻了——目前官方页面列出 9 个免费模型，8 个是拿来写代码/对话的，1 个就是 Jev（决策专用）：
• Big Pickle——OpenCode 自家主力，日常写代码最稳的选择
• Space Bunny Free——另一个自家模型，官方标注零保留策略（数据不留存）
• MiMo-V2.6-Flash Free / MiMo-V2.5 Free——小米家的开源模型
• Ling 3.0 Flash Fin Free——阶跃星辰，长上下文场景好用
• Nemotron 3 Ultra Free / Nemotron 3.5 Lightning Free——NVIDIA 家的开源模型
• Muse Spark 1.3 Contributor Free——Meta 出品，写代码表现不错
• Jev 1.13 Free——TypeSafe 决策模型，本文主角，不能聊天，只做决定
搭配思路很简单：写代码用 Big Pickle，长文档用 Ling/Nemotron，要拍板的事丢给 Jev——三个活儿三种模型，一分钱不花。
最后说句实在的：Jev 不是来替代大模型的，它是来「分活」的。以前让 AI 干活，全靠一张嘴说；现在有了专门「拍板」的模型，AI 编程这件事开始分角色了——这比多一个会聊天的模型有意思多了。
让 AI 写代码已经不难了，难的是让它在关键时刻敢拍板。Jev 补上的，正是这一块。
💬 如果你要用 Jev 帮你做决定，你会先拿它来分什么？评论区和我说说。
如果觉得这篇文章有用，欢迎关注「AI 阿砚」，一个科研爱好者的 AI 探索笔记。