# Introducing System One Models and Jev

> 来源：[HackerNews](https://typesafe.ai/blog/introducing-system-one-models-and-jev)

# 深入解读 System One Models 与 Jev：新一代 AI 推理范式正在到来

## 背景与概述

过去两年，大语言模型（LLM）的能力提升主要沿着一条清晰的路径前进：更大的参数量、更长的上下文窗口、更强的多步推理能力。从 Chain-of-Thought 到 o1、R1 这类"推理模型"，业界逐渐形成了一个共识——让模型在给出答案前"想得更久一点"，往往能显著提升复杂任务的准确率。但这条路径也带来了明显的代价：推理延迟高、Token 消耗大、成本难以控制。

与此同时，认知科学中有一个经典的双系统理论：人类思维分为快速直觉的"System 1"和缓慢审慎的"System 2"。这一隐喻被大量引入 AI 领域，用来描述"直接回答"与"深度推理"两种模式。问题在于，现有模型大多把这两者混在一起，要么总是慢，要么总是快，很难根据任务难度自适应地切换。

Typesafe.ai 发布的这篇博客《Introducing System One Models and Jev》，正是围绕这一痛点提出的新思路。它试图重新定义"快思考"模型的价值，并引入了一个名为 **Jev** 的新组件/运行时，让开发者能够以更工程化的方式构建和调度这类模型。对于正在为推理成本和响应速度头疼的国内开发者来说，这是一个值得关注的方向。

## 核心内容

### 1. System One Models：把"快思考"做成独立品类

传统观念里，"快"往往意味着"笨"。但 System One Models 的核心主张是：**大量真实任务其实并不需要深度推理**。分类、抽取、格式化、简单问答、意图识别——这些任务如果每次都调用一个动辄思考几千 Token 的推理模型，是巨大的浪费。System One Models 试图把这类"直觉型"能力独立出来，做成轻量、低延迟、可预测的模型品类。

### 2. Jev：面向推理调度的新抽象

Jev 是这次发布中最具工程价值的部分。从命名和定位推断，它更像是一个**运行时或编排层**，负责在 System One 与 System Two 之间做路由与调度。开发者不再需要手动判断"这个请求该用哪个模型"，而是把决策交给 Jev，由它根据任务特征、置信度或成本预算动态选择。

### 3. 成本与延迟的可控性

把快慢分离之后，最直接的好处是**成本结构变得清晰**。简单请求走 System One，成本可能只有推理模型的几十分之一；只有真正困难的请求才升级到 System Two。这让 AI 应用的单位经济模型第一次变得可以精细核算。

### 4. 面向生产环境的设计取向

从 Typesafe 这个名字本身可以读出团队的取向——他们关注的是**类型安全、可组合、可维护**。System One Models 与 Jev 的组合，明显不是冲着刷榜去的，而是冲着"能不能稳定跑在生产环境里"去的。

## 技术分析

从架构上看，这类方案通常包含三层：

```text
┌─────────────────────────────┐
│        应用层 (App)          │
└──────────────┬──────────────┘
               │  request
┌──────────────▼──────────────┐
│      Jev 调度/编排层         │
│  - 任务分类                  │
│  - 置信度评估                │
│  - 成本/延迟预算控制         │
└──────┬───────────────┬──────┘
       │               │
┌──────▼─────┐  ┌──────▼──────┐
│ System One │  │ System Two  │
│  快模型     │  │  推理模型    │
└────────────���  └─────────────┘
```

关键的技术难点在于**路由决策**。一个朴素的做法是基于规则（如输入长度、任务类型标签），但更优雅的方式是让 System One 模型自己输出一个置信度分数，低于阈值时才升级：

```python
def handle(request):
    fast = system_one.generate(request)
    if fast.confidence < THRESHOLD:
        return system_two.reason(request)
    return fast
```

这种"级联（cascade）"模式并不新鲜，但 Jev 的价值在于把它**标准化、可观测、可配置**。开发者可以设定延迟 SLA、成本上限，甚至 A/B 对比不同路由策略的效果。

另一个值得注意的点是**类型安全**。如果 Jev 提供强类型的接口定义（比如用 TypeScript 或 Rust 描述任务 schema），那么模型输出就能被结构化校验，避免"看起来对但格式错"的经典问题。这对生产系统至关重要。

## 实践建议

对于想上手这套方案的开发者，建议按以下步骤推进：

1. **先做任务盘点**：统计你的线上请求分布，看看有多少比例是"简单任务"。如果超过 60%，快慢分离的收益会非常明显。
2. **从级联开始，而非重写**：不必一开始就引入完整框架。先用一个轻量模型做前置，置信度低时再调用大模型，验证收益。
3. **建立评估集**：路由策略的效果必须用数据说话。准备一批带标注的请求，测量准确率、延迟、成本三者的权衡曲线。
4. **关注可观测性**：记录每次请求走了哪条路径、为什么升级，这是后续调优的基础。
5. **设定预算护栏**：给 System Two 的调用设上限，防止极端情况下成本失控。

## 总结

System One Models 与 Jev 的出现，标志着 AI 工程化正在从"堆模型能力"转向"优化系统调度"。它提醒我们：**不是所有问题都值得深思**，把合适的任务交给合适的模型，才是生产级 AI 应用的正确姿势。对于追求成本、延迟与质量平衡的中国开发者而言，这套"快慢分离 + 智能路由"的思路，值得认真研究和借鉴。