为什么单独审计这些数字
“193.6 倍快、444.6 倍便宜”极易被读成对所有模型、所有任务的统一提升。TypeSafe 自己说明，这些最高倍数来自其 workflow eval，并承认它们处于真实收益的高端。以下数字截至 2026-09-20 只属于厂商评测，不是本地复现。官方发布文｜评测站
原始声明
公开表格中，Jev 在四类 production-style workflow 上的平均得分约为 67.8%，单 case 成本约 $0.0004，端到端时间约 0.4 秒。首页传播的峰值是 193.6× faster 与 444.6× cheaper。这些是厂商声明，尚未由本专题独立跑通。
同一表格里，得分接近的 GPT-5.6 Terra 约为 67.9%、$0.0304/case、10.1 秒/case。这里保留模型名和版本口径，是为了避免把结果错误推广到任意 GPT、DeepSeek 或未来版本。
计算口径
最高速度倍数与最高成本倍数使用了不同的对照中各自最有利的值，因此不能理解为“相对于某一个模型同时快 193.6 倍并便宜 444.6 倍”。必须回到每行模型、同一 workflow 和同一聚合规则计算。
若只用上面的近分 Terra 行做朴素算术：0.0304 / 0.0004 ≈ 76，10.1 / 0.4 ≈ 25.25。所以在厂商数据内部，这组更容易理解的比较约是 76 倍成本差和 25 倍延迟差。它仍不是我们的测量，也没有包含接入、重试、网络区域和人工复核成本。
67.8% 也不是通常意义上的人工标注 accuracy。官方说明参考概率由 GPT-6 Astra 与 Claude Fable 5.1（高思考配置）的预测平均构成，而不是人工真值。评测衡量模型与参考模型在预设 compute graph 中的接近程度；参考本身可能出错并带有模型族偏差，因此“67.8%”不是人工真值准确率。
production-style 不是 production traffic
这些 workflow 模拟了代码中的完整判断图，比单条演示更接近业务逻辑；但它们由 TypeSafe 模型能力团队成员制作，固定 harness，没有覆盖你的真实数据分布、峰值并发、超时重试、区域网络、长期漂移和错误损失。称为 production-style workflow simulation 是合适的，称为已经在真实生产流量验证则不合适。
官方还说明，评测通常从美国西海岸的笔记本运行，服务也位于该区域附近。中国或其他区域的端到端延迟不能直接照搬 0.4 秒。
当前判断
当前可以支持的结论是：在 TypeSafe 设计并公开的四类结构化工作流中，Jev 展示了有竞争力的参考得分和显著的成本、延迟优势，值得用真实任务进一步验证。
当前不能支持的结论包括：Jev 普遍比所有 LLM 快 193.6 倍且便宜 444.6 倍；67.8% 等于人类认可的业务准确率；类型安全等于不会产生语义错误；一次厂商评测足以证明长期概率校准；模拟工作流等于生产运行。
本专题后续会固定数据集、代码 commit、模型版本、请求区域和计费快照，分别报告 P50/P95、准确率、校准与拒答后 coverage。在这些实验完成前，本文所有推导都明确标记为“对厂商数据的算术与方法审计”。