Jev 1.14 更新解读：图像输入、Box 定位与 262k 长上下文
Jev 1.14.0 于 2026 年 10 月 14 日发布。TypeSafe AI 这次除了迭代模型，还开放了图像输入、Box 目标定位和更长的上下文。原先主要处理文本判断的决策接口，开始可以用于视觉工作流。
第一次了解 Jev，建议先看上一篇 Jev 是什么？System One 模型与概率决策入门，熟悉 Choice、Score、Noul 的作用。本文继续梳理新版本的变化，信息核对至 2026 年 10 月 17 日；依据为官方公告与文档，没有进行付费 API 实测。
先核对版本：jev-latest 目前仍指向 1.13
截至核对日，官方模型文档 列出的对应关系是：
| 请求中使用的名称 | 当前对应版本 |
|---|---|
| jev-latest | jev-1.13.0 |
| jev-preview | jev-1.14.0 |
| jev-1.14.0 | 固定使用 1.14.0 |
要复现新版行为，我会显式指定版本。别名会随发布调整，即使业务代码没有修改，结果也可能变化。两个版本目前的价格相同：每百万输入 token 0.042 美元，输出免费。
1.14 发布公告 表示，预计多语言能力的提升最明显，并计划一周后更新 jev-latest。计划切换不代表已经切换，中文任务的实际收益也需要用自己的数据评估。
图像既能作为输入，也能作为分类依据
根据 图像文档，图像可以放在 state、instructions、criteria 中。例如给商品图片分类时，可以同时提供待分类图片和各类别的参考图，让判断标准更具体。
图像能力也向 1.13 开放。但它仍是 Danger Zone 实验功能，每个相关请求都需要添加请求头 TypeSafe-Danger-Zone-Images: true。目前适合验证原型，官方尚未将其可靠性认定为达到生产标准。
我的建议是先选一个边界清楚的视觉任务，比如判断一张图片是否属于指定类别，再逐步增加复杂度。这样更容易定位失败原因。
Box 可以返回位置，但目标不存在时也会返回框
新增的 Box 需要 1.14，每个问题返回一个目标的边界框。top、bottom、left、right 是 0 到 1 的相对坐标，分别按图像高度或宽度计算，具体格式见 Box 官方文档。
需要特别注意：Box 没有“未找到”的返回值，图中不存在目标时依然会给出坐标。 可以在同一请求中增加一个 Noul 问题，先判断目标是否存在，再由业务代码决定是否使用边界框。
以下是按 HTTP 图像上传规范 编写的接口示例，未经实际调用。运行前需准备自己的 product.jpg，并设置环境变量 TYPESAFE_API_KEY；实际执行会消耗账户额度。
1 | curl https://api.typesafe.ai/v1/systemone \ |
拿到合法坐标只是第一步。我会把目标缺失、图片模糊、多个相似物体同时出现的情况，都加入测试集。
上下文可扩展到 262k，但应先筛选相关信息
上下文文档 列出的默认限制是单次请求 64k、单个问题 32k。添加 TypeSafe-Danger-Zone-Long-Context: true 后，这两个限制均可提高到 262k token，适用于 1.13 和 1.14。
长上下文需要主动启用。官方说明，输入变长会增加延迟、降低准确率。以客服工单为例，我会先检索相关记录，再决定是否确实需要扩大上下文，而不是默认发送全部历史。
SDK 同步更新，JavaScript 项目需要检查运行环境
除了切换模型，还要核对客户端依赖：
- Python SDK 0.7.5 支持图像资源与 Box，默认开启 zstd 请求压缩。
- JavaScript SDK 0.7.0 支持图像与 Box，最低要求改为 Node.js 22，同时不再导出请求 payload 类型。
对于仍使用 Node.js 18 或 20 的服务，我会分别验证运行环境升级和模型切换，以便出现兼容性问题时快速定位。
客户案例能提供思路，不能直接套用降本比例
TypeSafe 在 10 月 7 日发布的 Jack & Jill 案例 中报告，候选人初筛每千人的成本从 0.755 美元降至 0.092 美元。这是厂商公布的特定客户流程结果，不代表其他项目也能获得相同降幅。
它给我的启发是：从一个调用量大、输出范围固定的判断环节切入，同时评估成本和业务质量，再考虑扩展到其他环节。
接入前，区分格式正确与判断正确
输出符合类型约束，不代表业务判断一定正确。System One 文档 同样说明，概率校准不保证单个答案正确。理解上一篇提到的“零幻觉”时，应聚焦输出受类型和选项约束这一点，不能理解成模型不会误判。
此外，当前 Confidence 文档 区分了不同响应：Choice、Score 提供 confidence，Noul 直接返回是非概率，没有单独的 confidence 字段。沿用上一篇示例开发时，请以最新官方响应格式为准。
我的升级顺序是保留旧版作为基线，用同一份数据检查错分、漏判、延迟与费用，再调整自动处理阈值。图像、Box、长上下文分别验证，通过后再接入原流程。
如果还没确定 Jev 应该负责哪个判断步骤，接着阅读 Jev 入门介绍：三种决策原语、五类应用场景与开源工具链。先明确任务，再挑选新功能，比较容易得到可以验证的结果。
