美国AI公司TypeSafe AI于10月15日发布新模型Jev 1.14.0，同时开放图像输入、全新问题类型Box（非决策问题）以及262k长上下文三项实验功能，统一归入名为「危险区」（Danger Zone）的实验计划。三项功能默认关闭，开发者需在API请求头中手动添加开关才能启用，官方声明称这批功能均未达生产标准，风险自负。
TypeSafe将1.14.0形容为一次「不炫技」的更新，改动细微但覆盖面广，预计提升最明显的是多语言能力。不过官方文档提醒，包括中文在内的非英语语言虽可处理，效果仍不如英语，建议开发者上线前先用自己的内容测试。版本管理上，1.14.0目前使用预览别名jev-preview，预计一周后切换为默认别名jev-latest，1.13.0则继续保留一段时间。价格维持不变，每百万输入Token收费0.042美元，输出免费。
图像功能方面，官方称其具有「完全可组合」特性，状态信息、问题指令乃至评判标准中都可加入图像，三种问题类型均支持图像输入。官方透露Jev 1.13.0其实早已具备多模态能力，只是此前未正式开放。目前图像输入仅支持PNG、JPEG静态图片，边长须在256至1568像素之间，单张不超过16MiB，费用按输入token计算。官方提醒，Jev处理多模态任务的表现仍不如纯文本任务。
上下文上限也有大幅提高。默认情况下单次请求最多支持64k token，单个问题最多32k token；开启实验开关后，两项上限均可提升至262k token。但官方提醒，长上下文可能让模型运行更慢、表现更不准确，建议只在确有需要时开启。
新增的Box问题类型让Jev能直接在图像中定位指定目标，并返回边界框坐标，坐标经归一化处理，范围为0至1，分别对应图像宽和高。官方列出的应用场景包括识别柜台上的杯子、定位扫描件中的签名、框出门口的人。Box也是Jev首个不只服务于智能判断（smart-if）的问题类型。需注意，图像和长上下文功能可通过实验开关在Jev 1.13.0中启用，Box则是1.14.0独有。
TypeSafe还公布了一份内部评测。在8个模型的综合智能分对比中，Jev 1.14.0以60.0分排名第一，高于1.13.0的58.9分；得分最高的开源模型kev-27b为46.7分。校准误差指标上，Jev 1.14.0以1.6表现最好。不过官方提醒，榜单仅供参考，评测只涵盖开源权重模型，结果可能偏向自家模型，后续分数也可能调整，建议重点比较开源模型之间的相对表现。三张评测图右上角均标注「警告：AI基准测试，请勿轻信」。
背景方面，TypeSafe隐身研发两年后于9月16日正式推出Jev。这款模型不同于生成连续文本的大语言模型，会直接输出分类、选项、是非判断等结构化决策，并提供经过校准的置信度。TypeSafe将其称为首个System One（系统一）模型，意指更接近快速、直觉式判断的决策模型。10月10日，TypeSafe宣布完成8.7亿美元（约合人民币58.6亿元）A轮融资，估值达75亿美元（约合人民币505亿元），由a16z领投，红杉资本和DCVC参投。此次1.14.0发布是融资后的首次模型更新。
随着决策模型受到关注，微软推出了支持结构化决策的Microsoft-Decision-1，开源社区则涌现出Kev、Laya、Decider等Jev类项目。TypeSafe解释「危险区」的设立源于产品可靠性与开放探索之间的取舍：面向生产环境的模型需充分验证，但开发者需求难以预判，若所有新功能都须达到成熟生产标准，一些新想法就难获实际检验，因此选择先开放实验功能、再根据反馈迭代。
从产业视角看，图像输入和Box的加入让Jev的决策能力从文本延伸到视觉场景。对Agent而言，这意味着它不仅要处理文字指令，还可尝试识别画面中的目标，为后续操作提供判断依据。但从实验功能到稳定的生产能力仍有距离：多模态表现弱于纯文本，长上下文存在速度与准确性取舍。TypeSafe选择先开放接口让开发者在真实任务中验证，同时明确提示风险。对决策模型而言，能否在复杂输入下持续给出可靠结果并嵌入Agent工作流，将决定其应用空间。