TypeSafe AI

TypeSafe AI 是旧金山 AI 实验室 TypeSafe AI, Inc.（2024 年成立，2026-09-15 结束隐身）推出的旗舰产品，核心是一个不生成文本、只输出类型化概率决策的模型 Jev（官方称为第一代 System One Model）。它面向需要在软件内部做高频分类、路由、打分与校验的开发者，用极低成本换取机器可读的结构化判断。

名称消歧 本条目专指 typesafe.ai（TypeSafe AI, Inc.），与老牌 typesafe.com（Scala / Akka 母公司，2016 年更名 Lightbend）毫无关联；「type-safe / 类型安全」也只是通用编程概念。另需注意，它不是已收录的 type.ai，二者并非同一产品。

核心能力

• 类型化决策 API：发送 state + 类型化问题，一次并行返回带校准概率的答案（端点 POST /v1/systemone）
• 三种问题原语：Choice（≤255 个选项）、Score（按量规打分）、Noul（是/否概率），均附 confidence
• 机器可读输出：schema 约束下不产生非法值，省去 JSON 解析与重试逻辑
• 真实 SDK 与分发：Python typesafe-sdk v0.7.0（PyPI）、JS @typesafe-ai/sdk v0.6.0（npm），并上架 OpenRouter / Vercel AI Gateway / Cloudflare Workers AI
• 低延迟低成本：官方称并行采样替代逐 token 生成，「增加问题几乎不改变响应时间」；$0.042 / 百万输入 token
• 可核验的团队与资本：Diogo Almeida（CEO，前 OpenAI，InstructGPT / RLHF 作者之一）、Erik Gafni（CTO）、Sasha Sheng（COO）；$40M 种子轮由 DCVC 领投

为什么重要 LLM 的自由文本必须经过解析、重试与校验才能进入代码；Jev 直接产出「带类型的机器决策」，把这一整层工程负担去掉——用 schema 保证的合法值替代需要反复清洗的文本。

适用场景 客服工单分流、Agent 工具路由、LLM 输出护栏、日志 / 内容审核、代码检索打分、Computer Use 的快速决策层。适合已有高频、答案空间预定义的判断需求，且认为当前用 LLM 做这些事成本或延迟不可接受的工程团队。

独特优势 卖点在「价格-延迟帕累托前沿」而非智能上限：多家独立测试确认速度与成本优势基本成立（Every 实测 777 次判断耗时 <0.7 秒、约 $0.0025；Dan Shipper 记录中位 0.35 秒 vs 对比模型 8.83 秒），且是少数返回真实概率、可驱动自动化阈值的模型。

需要正视的红旗

• 头条「193.6x / 444.6x」提高数字来自其自家设计的 4 个工作流评估，官方自认处于现实收益偏高一端；第三方实测更接近 25x
• 「零幻觉」仅指 schema 合法，不等于判断正确，官方承认该 0% 并非实测
• 准确率实际落后前沿：67.8% vs 74.1%；发票任务 61.8% vs 79.1%
• 无论文、无权重、无参数量，架构未披露；官方自承无法证明定价非补贴；不发布标准 benchmark
• 单一美国西岸区域，CJK / 中文准确率弱，且未向中国大陆开放

编辑评价 覆盖很广但很新：TechCrunch、InfoWorld、HPCwire、Forbes、The Register、Business Wire 等在数日内密集报道，Hacker News 热帖 1,920 分 / 504 评论，中文媒体大量解读，独立实测（Every、paddo.dev、primeline.cc）也已出现——但从 2026-09-15 公开至今仅约 5 天，准确率宣称仍缺乏时间验证。它不是 vaporware：真实 API、SDK、三方网关、实名团队与 DCVC $40M 均可核实（GitHub 组织 typesafe-ai 创建于 2024-05-28，10 个公开仓库、MIT 许可）。建议以「值得关注、但需自行在自有数据上验证校准与准确率的早期基础设施」看待；中文用户尤须注意服务未对大陆开放、中文能力偏弱。