查看你公司的 AI 可见度
免费，无需信用卡。
大多数人使用 AI 来写作、解释或总结某些内容。来自 TypeSafe AI 的 Jev 则服务于不同的目的：基于提供的信息做出具体决策。对于专注于 AI 可见度的团队而言，这开启了一个有趣的应用领域——从组织客户问题到分析回复和评估内容。
什么是 Jev？
Jev 是 TypeSafe 推出的 AI 模型，旨在返回软件可直接使用的结构化决策。
您向其提供待评估的信息，指定问题和可接受的答案类型。该模型返回选择、评分或概率，而非自由撰写的文本。其运行方式由以下内容描述： TypeSafe 文档.
想象一下分析一百条关于您行业的 AI 回复。您需要判断品牌只是被提及还是确实得到了推荐。您可以要求生成式模型描述每条回复，但之后您仍需将这些描述转化为可比较的数据。
Jev 的方法是预先定义类别。结果随后可以进入表格、报告或分析的下一阶段。
TypeSafe 为何称其为 System One 模型？
TypeSafe 于 2026 年 9 月 15 日推出 Jev，作为该公司正在开发的 System One 类别中的首个公开模型。该名称指的是快速、直觉判断与更慢、更复杂的推理之间的区别。
根据制造商的说法，Jev 是为自动化设计的，采用一种称为“校准决策强化学习”（RLCD）的训练方法。该公司还描述了并行评分而非顺序文本生成。TypeSafe 公告
实际上，它涉及明确的问题：该案例属于哪个类别、如何根据给定标准评估它，以及所提供的信息是否支持特定声明。
Jev 是如何工作的？数据、问题和结果
与模型协作始于提供上下文，文档中称之为 state。这可以是AI助手的回复、文章片段或客户的问题等。
您需要将问题添加到此上下文中。Jev支持三种基本类型：
| 类型 | 目的 | 内容工作中的示例用法 |
|---|---|---|
| 选择 | 从指定选项中选择一个 | 将问题分配到主题：价格、实施、比较或支持 |
| 评分 | 根据描述的有序级别进行评分 | 评估片段回答问题的程度 |
| 新建 | 陈述为真的概率 | 检查所提供的文本是否包含价格条件 |
多个问题可以在一次调用中组合。每个问题都会独立地针对相同的上下文进行评估。 Jev简介
因此最重要的工作是在模型启动之前进行的：我们需要确切地确定我们想要测量什么。
Jev与GEO和AEO有何关联？
GEO涉及品牌可见度及其在生成式AI响应中的内容。AEO专注于准备信息以有效回答用户问题并被应答系统利用。
这两个领域都涉及大量重复分析：
- 潜在客户会提出哪些问题？
- AI响应是否推荐该公司，还是仅仅提及它的名字？
- 文章是否真正解决了标题中陈述的问题？
- 哪些部分需要编辑审核？
Jev 可以是执行此类任务的工具的一个组成部分。然而，其结果并不能衡量在 ChatGPT 或 Google 中被引用的可能性。
以下应用是 Semly 基于模型运行提出的编辑建议。它们并不代表我们的测试结果或 Jev 与 Semly 的完整集成结果。
1. 整理客户问题
来自搜索引擎、销售对话和客户服务的查询列表很快就会变得难以浏览。有些问题虽然措辞不同，但解决的是同一个问题。
Jev 可用于将问题分配到之前定义的类别中。
对于运行 WordPress 网站的企业，这种分类可能如下所示：
| 问题 | 建议类别 |
|---|---|
| 每月网站维护费用是多少？ | 价格 |
| 订阅包括哪些内容？ | 服务范围 |
| 如何将网站转移到新的代理机构？ | 开始合作 |
| 订阅还是按小时计费更好？ | 选项对比 |
这是预期分类方法的示例，并非模型调用的结果。
整理后的列表有助于发现哪些需求已经通过网站满足，哪些需要新材料。然而，类别需要与实际问题进行核对——特别是那些可能归入多个组的问题。
2. 区分 AI 回答中的提及与推荐
公司名称的出现并不能说明它是如何呈现的。
对比两个句子：
公司 X 与多家其他提供商一起在这个市场运营。
对于所描述的应用，由于服务范围，值得考虑公司 X 的推荐。
第一种是提及，第二种包含推荐和理由。
在提议的分析流程中，Jev 可以根据明确界定的类别对记录的回复进行分类。还值得检查品牌、推荐和助手提供的来源链接是否存在。这些都是不同的信息片段。
模型必须接收用于分析的材料。如果您正在评估引用，请同时提供来源列表。仅凭没有链接的文本，无法可靠地确定助手指出哪些地址。
3. 判断内容是否回答了问题
一篇文章可能有合适的标题，但仍然无法提供有用的答案。
假设您正在分析指南《维护一个 WordPress 网站需要多少费用？》。一般性陈述“价格取决于许多因素”并未向读者解释成本的构成部分。
可以为评估准备三个描述性层级：
- 文本未回答问题
- 文本指出成本组成部分但未解释假设条件
- 文本描述了成本组成部分及其解释所需的条件
这是 Score 类型的一个示例任务。文档建议描述具体情境并逐个维度进行评估。因此，分析回复的完整性、符合报价情况以及示例的存在是值得的。Score 文档
通过这种方式获得的评估有助于组织编辑工作。它不应被称为“Google 排名结果”或“AI 引用的可能性”。
4. 选择需要检查的材料
对于大量出版物，初步标出需要关注的部分是有帮助的。
您可以设计检查问题以查看文本是否包含：
- 具体的结果承诺
- 价格或交付时间
- 与竞争对手的比较
- 关于客户结果的声明
这种分析有助于将材料引导至合适的人。它不能替代事实核查。
如果我们要评估文章是否符合报价，我们还需要当前的报价。模型不应猜测公司是否真的在24小时内提供该服务。
Jev 是否有误？
在 TypeSafe 通信中，出现了“零幻觉”的说法。理解其范围很重要：制造商将其与结果符合特定类型和响应模式相关联。正确的格式并不自动意味着正确的判断。制造商的说明
该模型可以选择允许的类别之一，但仍可能将案例分配到错误的类别中。
对于选择和评分，Jev 返回一个概率分布和一个 confidence 指标。文档解释称，该指标源自响应分布。不应将 0.9 的值解释为 90% 准确率的自动保证。Noul 没有单独的字段用于 confidence. 响应置信度文档
在 GEO 应用中，这意味着需要在将结果用于报告之前，先与样本的手动评估结果进行比较。
如何开始使用 Jev？
TypeSafe 提供了一个 PlayGround，您可以在其中登录、输入数据并定义问题。可以使用 API 将模型连接到您自己的工具；制造商还描述了使用 SDK 的方法。入门指南
首次测试应限制为一个任务。例如：
- 收集与一个行业相关的 50 条记录的 AI 响应
- 手动标记包含指定品牌推荐的响应
- 保存区分推荐与普通提及的标准
- 使用 Jev 进行分类
- 比较结果并分析差异
- 在优化标准后，对新示例进行另一次测试
数字 50 是一个小型试点的建议，并非验证标准。这样的测试允许在构建更大集成之前评估该想法的实用性。
WordPress 网站所有者无需立即实施 Jev。它主要是为构建流程和软件而设计的工具。它可以作为内容分析系统后端运行，但不是用于运行博客的即插即用解决方案。
关于速度和低成本的承诺如何？
TypeSafe 发布了比较结果，表明 Jev 在某些自动化任务中具有显著优势。然而，该公司指出，最令人印象深刻的结果可能对应于实践中可实现的收益上限范围。测试和限制说明
对于营销团队而言，一个合理的测试是他们自己的流程：分析特定数量响应的成本、所需时间以及需要修正的案例数量。
当快速分类足够准确以用于我们希望分配的任务时，它就具有价值。
关于 Jev 和 GEO 的常见问题
Will Jev write a blog article?
Jev 面向结构化决策，而非自由文本写作。在编辑流程中，它可以用于评估或分类资料。
Can you position a page in Jev?
TypeSafe 所描述的产品并不是向用户展示网页排名的搜索引擎。在 GEO 中，它的合理用途是辅助分析，而非争夺“在 Jev 中”的排名。
文章在 Jev 中获得高评分，是否意味着 ChatGPT 会引用它？
不。评分针对的是已定义的标准和所提供的数据，并不能预测另一个 AI 系统的决策。
文中所描述的应用属于 Semly 的功能吗？
这些场景是关于如何使用 Jev 的建议。本文并非宣布或确认该模型已与 Semly 集成。
从新模型到具体任务
Jev 在 GEO 和 AEO 中最有价值的应用，始于一个清晰的问题：我们能否一致地区分提及与推荐？识别没有回答问题的文本？整理数百条客户询问？
如果可以，就能测试 Jev 是否能让这些工作更高效。如果标准尚不清晰，应先完善评估方法。
如果您想先从自己的公司入手，可以查看它在 AI 回答中是如何呈现的。
信息截至 2026 年 9 月 24 日。关于 Jev 运作方式的说明基于 TypeSafe 资料。GEO 和 AEO 应用示例是编辑提出的建议，并非模型测试结果。
分享：
