接入篇：不讲它为什么值得用，只讲从哪进去、进去之后能干什么

这篇只干一件事：把通路和资源收齐。你要进去，得先知道有几个门。

一、先把通路拿到手

关于 Jev 的接入，目前能走的通路有下面这些，我按「门槛从低到高」排：

1. 【官方注册】 目前关闭，要等待开放。官方新用户注册赠送 5 美金额度——按 Jev 的低 Token 消耗，5 美金可以用很久。
https://typesafe.ai/

2. Jev Playground — 免注册，打开网页就能试，有使用量限制。第三方体验站。
https://jevplayground.com

3. Vercel AI Gateway — 实测需要绑境外卡。目前输入、输出均免费，限免到 9 月 25 日。适合接 API，模型名 typesafe-ai/jev。
https://vercel.com/ai-gateway/models/jev

4. OpenCode Zen — 无需绑卡。官方已列出「Jev 1.13 Free」，限时免费，暂未公布结束日期。需要登录获取 Key。
https://opencode.ai/docs/en/zen/

image.png

5. Venice API — 新账户提供每日免费额度和 500 welcome credits，无需信用卡。Jev 仅支持 API，属于额度内体验。
https://venice.ai/lp/jev

6. OpenRouter（typesafe/jev-1.13 或 typesafe/jev）— 标准聚合平台，改模型名即可切换；注意可能不在默认模型列表中。
https://openrouter.ai/typesafe/jev-1.13

7. Cloudflare Workers AI / AI Gateway — 支持 Jev，边缘低延迟，适合已用 Cloudflare 的项目（官方文档中有提及）。

8. classifier.dev — 完全免费、免注册、免 Key，但目前主要只支持分类功能。这是最低门槛体验真 Jev 的路子。
https://classifier.dev/

⚠️ 一句提醒：上面有免费位是限时的，我写这篇时就吃到一次 503。别把判断层建在一个没有兜底的免费位上。

二、开源平替：本地 Laya 实测

开源本地版 Laya 的响应速度是另一条路。

左边 Laya 是本地 421M 开源决策模型，右边 Jev 1.13.0 是云端 API。同一盘贪吃蛇、同一套 typed decision，30 秒自由跑下来：

  • Laya：分数 46、长度 52，决策 86.5 次/秒，P50 约 9ms
  • Jev：分数 1、长度 7，决策 3.2 次/秒，API 往返 317ms

M5 Pro 实测中位耗时：本地 15.3ms vs 云端 298.1ms，接近 20 倍。Laya 推理内存大约 1GB，毫秒级决策，不靠网络；而云端 Jev 每一步都在等往返，本地每一步都在当场拍板。

本地部署 Laya

GitHub：https://github.com/NandhaKishorM/laya

该项目不是数百亿参数的自回归大语言模型（LLM），而是针对「快思考（System 1）」决策任务设计的小型编码器（Encoder）模型，普通消费级设备甚至纯 CPU 即可流畅运行。

具体硬件与性能表现：

  • 模型体量极小
    • 英文版（基于 ModernBERT-large）：约 421M 参数
    • 多语言版（基于 mmBERT-base）：约 322M 参数
    • 整机显存占用通常在 1GB ~ 2GB 以内，完全不需要昂贵的专业显卡
  • 推理延迟极低
    • 在老款入门卡（如 Tesla T4）上单次推理仅需 约 33 毫秒
    • 在现代普通 CPU 上的推理耗时约为 193–464 毫秒，无 GPU 也能轻松实现实时处理
  • 部署注意点（内存常驻）
    • 如果在本地生产环境使用，建议开启 preload=True（常驻内存）。如果频繁在不同语言模型间冷切换，重新加载会带来数秒的卡顿；常驻内存后即可达到毫秒级响应

https://x.com/NFT_Chen/status/2101675124747338229/video/1

其他开源平替

本地/开源替代（非官方真 Jev）：如 LocalJev、OpenJev、simple-jev、NanoJev 等，用开源模型模拟 Jev 接口，可自建，但不是原版模型。

三、接入了 Jev 还不会用？

接入不知道可以用来干什么的，可以看看下面这些——收录了大量使用案例。

awesome-jev

一个由开发者社区独立维护的高质量开源项目导航库（Awesome List），专门收录围绕 Jev（由 TypeSafe AI 推出的「System One」类型化决策 AI 模型）构建的生态资源。目前该仓库已经汇集了超过 530 个经过验证的开源项目，横跨 11 个核心类别和 25 种编程语言，堪称当前探索「确定性 AI 决策」的最全图鉴。

https://github.com/heyjunpenn/awesome-jev

四、超实用案例

jev-chat-JARVIS

Jev WeChat 微信群聊，已开源。再也不用担心不懂人情事故；微信客服、微信群助手——再也不用 codex 哄女朋友了。

image.png

https://github.com/jev-chat/jev-chat-jarvis

五、其他实用工具

整理了一批 Jev 项目，可以参考：

  1. fast-jev-compaction — Claude Code 插件。每次工具调用后，用 Jev 判断哪些内容该保留、压缩或丢弃，减少上下文膨胀。 https://github.com/tamaratran/fast-jev-compaction
  2. jev-browser — 让 LLM 负责规划，Jev 负责浏览器里的具体选择。支持 CLI、Library 和 MCP。 https://github.com/Ying-Kai-Liao/jev-browser
  3. jev-search — 把 Jev 用在搜索流程里，负责理解查询、选择信息源、筛选结果。 https://github.com/superagents-lab/jev-search
  4. Reticle — 给 Web 和桌面应用增加运行时感知能力，帮助 Agent 理解自己正在操作的界面。 https://github.com/reticlehq/reticle
  5. NanoJev — 一个 Jev 的轻量复现项目，包含并行决策、动态候选项和完整训练流程。 https://github.com/TianyuCodings/NanoJev
  6. open-alternative-jev — 尝试用开源模型复现 Jev 风格的 System One 决策层，并提供基准测试。 https://github.com/ikermoel/open-alternative-jev
  7. pi-jev — 把 Jev 接入 Pi coding agent，用来控制工具调用，也支持类型化、带置信度的回答。 https://github.com/y0usaf/pi-jev
  8. hermes-jev-skills — 直接把 Jev 接进 Hermes、Claude Code 和 Codex，覆盖模型路由、记忆、上下文压缩、Skill 选择和浏览器操作。 https://github.com/kerpopule/hermes-jev-skills

说明一句：上面这些项目我只核实了仓库地址与它自己写的定位，没有逐个跑过。把它们当线索，别当背书。

#Jev #接入指南 #免费模型 #开源平替 #SystemOne