他是ChatGPT的共同創造者。兩年後他造了一個一個字都不會寫的模型。

九月十五號，一家叫 TypeSafe AI 的公司從隱身狀態出來，他們發佈的那個模型，一個字都不會寫。

模型叫 Jev。你給它一段上下文，它不跟你聊天，不寫程式碼，不解釋理由。它從你事先定好的選項裡挑一個，再告訴你它有多確定。

你問它這筆交易該不該放行，它返回：拒絕，0.87。

造它的人叫 Diogo Almeida。前 OpenAI 研究員，ChatGPT 背後那套方法的共同創造者之一。他在 LinkedIn 上的自我介紹寫著：co-created ChatGPT。

你現在用的所有大模型，不管多聰明，底層都在干同一件事：猜下一個字。

所以當你讓它做判斷的時候，事情就變得有點奇怪。

你問“這個客戶風險高不高”，它必須先把答案寫成一段話，你再從那段話裡把答案摳出來。

這像你問醫生要不要開刀，他不能說要或者不要，得先給你寫一篇八百字散文，你自己從散文裡讀他的意思。

過去三年，整個行業就是這麼幹的。我們還為此發明了一個職業叫提示詞工程師，工作內容說穿了就是想辦法讓那篇散文寫得規整點，好摳。

TypeSafe 的說法很直白，表達和判斷是兩回事，我們卻一直拿表達能力換判斷能力，還付了天價。

Jev 比前沿大模型快 40 到 200 倍，便宜 40 到 400 倍。峰值測試做到過 193.6 倍快、444.6 倍便宜。單次決策延遲壓在 500 毫秒以內，一百萬輸入 token 成本 0.042 美元。

這個量級放進一個每天要做幾百萬次判斷的系統裡，省錢是次要的。主要是讓一整類業務從“這帳算不過來”變成“算得過來”。

這詞從卡尼曼那兒借的。《思考，快與慢》把人的思維拆成兩套。

System 1 快、自動、憑直覺。你看一張臉就知道對方在生氣，不用推理。

System 2 慢、費勁、講邏輯。你算 17×24，得一步一步來。

人絕大多數決定是 System 1 做的，System 2 隻負責事後編個像樣的理由。

現在的大模型全是 System 2。什麼事都要先想一遍、推一遍、寫出來。你只是問它一句話是褒是貶，它也要在心裡打一遍草稿。

Jev 做的是 System 1。看一眼，給結論，附帶置信度，不解釋。

訓練方法也換了。ChatGPT 那套叫 RLHF，基於人類反饋的強化學習，最佳化的是“人類覺得這個回答好不好”。Jev 這套叫 RLCD，面向校準決策的強化學習，最佳化的是另一件事：

你說 80% 的時候，是不是真有 80% 會發生。

做投資的人一秒就懂這個區別。

一個分析師天天說“我強烈看好”，聽著特別有底氣，你拿它沒用。另一個說“我看漲，65%”，而且他歷史上報 65% 的那批判斷，真的兌現了大約 65%。

後面這個人的話，你可以直接拿去下注。

前一個卷的是表達力。過去三年 AI 圈拚命卷的也是這個。

第一條，所謂“不會幻覺”，是因為它輸出的根本就不是自然語言。你把選項限死在 255 個裡面選一個，它編不出來是結構決定的，跟它更誠實沒關係。這個比較不公平。

第二條，格式合法的答案照樣可以是錯答案。它老老實實從你給的選項裡挑了一個，格式完美，結論可以完全錯。

第三條，它只給你數字，不給你理由。你不知道它憑什麼打 0.87 而不是 0.62。

第四條，有評測指出在綜合工作流的基準上，Jev 落後於目前最好的對手。公開證據還撐不起最強的那套敘事。

我的判斷是，Jev 沒打算取代大模型，它把一件被放錯位置的事挪回了正確的地方。

寫文章、解釋、推理、對話，那是大模型的活。

判斷、分類、打分、給置信度，這活兒本來就不該交給大模型。

我看到 Jev 的第一反應不是“來新東西了”。

是“終於有人在模型層把這事做出來了”。

AlphaGBM 內部這套分工已經跑了很久，只不過我們是在系統層硬拚出來的。

做投研 AI 有個特別容易踩的坑。你讓大模型給一個判斷，它總能還你一段漂亮話。邏輯順，論據齊，讀著讓人想點頭。

然後你把錢投進去，才發現那段漂亮話跟它背後究竟有幾分把握，沒有關係。

所以我們從一開始就立了條規矩：機率由純程式碼生成，大模型一個字都不許改。

第一件，把算機率和講人話物理隔離。方向機率、波動率區間這類東西，全部交給確定性程式碼算，GARCH 加蒙特卡洛，輸入一樣輸出必然一樣。大模型只在最後一步把數字翻譯成人話，它沒有權限碰那個數字。

跟 Jev 是一個思路。決策歸決策，表達歸表達。

第二件，評分不看勝率，看校準度。

這條反直覺。我們不用“猜對了多少次”打分，因為命中率能作弊：你只賭高確定性的事，勝率刷得極漂亮，一分錢賺不到。

我們用 Brier 分數、區間損失、分位數損失這一套。它們衡量的是同一件事，你說 80% 的時候是不是真的 80%。

跟 RLCD 最佳化的目標，是同一個東西。

資料缺了、訊號沒有邊際、還在冷卻期，系統就記一條棄權，不硬湊數字。棄權必須留痕。

一個從不棄權的系統不是厲害，是在撒謊。

第四件，帳本只能追加不能改。所有預測寫進去之後，資料庫層面物理禁止修改和刪除。一個能改歷史的記分牌等於沒有記分牌。

第五件，資料來源降級必須報警。即時行情拉不到就自動退回備用源，這種事絕對不能悄悄發生。每次降級都落盤，都報警。

悄悄降級是自動化系統裡最陰險的一種失敗。它不報錯。它只是慢慢開始騙你。

TypeSafe 干的是模型層的硬活，兩年隱身，四千萬美元，重新設計訓練方法。這不是誰都能幹的。

兩條毫不相干的路走到了同一個結論。

他們從“AI 該怎麼被機器呼叫”出發。我們從“真金白銀的判斷不能靠一段漂亮話”出發。

把判斷和表達拆開。判斷要可校驗，表達只負責好懂。

這個結論指向一個正在發生的轉折。

過去三年 AI 競賽的核心指標是像不像人。說話像不像，寫文章像不像，聊天順不順。

可你真要把 AI 放進關鍵流程，放進風控，放進投研，放進任何一個錯了要付真代價的地方，像人根本不是你需要的。

你需要的是它說八成的時候，真的是八成。

AlphaGBM 內嵌的這套東西，機率純程式碼生成、大模型不許碰數字、校準度評分而非勝率、棄權留痕、帳本只追加、降級必報警，我打算開源。

這套東西最值錢的部分，恰好是它最不好看的那部分。它會告訴你那次棄權了，那次資料來源降級了，把所有歷史預測釘死在帳本上沒法美化。

一套紀律藏著就沒意義了。紀律的價值在於能被人檢驗，沒人能檢驗的紀律和沒有紀律是一回事。

再說做投研 AI 的人大多踩過同一批坑。模型說得頭頭是道結果沒有校準，記分牌能改所以永遠好看，資料來源悄悄退化三個月才發現。

這些坑我們一個一個踩過來，程式碼裡每一條約束背後都躺著一次真實的失敗。

與其讓下一個人再踩一遍，不如掛出來。 (曾敏敏)

9月15日前後，一個名叫Jev的新模型突然在矽谷AI開發者社區刷屏。

它顛覆了大家對當下大模型的認知，不會寫程式碼、寫文章甚至是聊天，主動砍掉了過去幾年大模型最重要的一項能力——生成文字，只保留“判斷”。TypeSafe給它的定義是：“Decisions, not strings”——要決策，不要文字。

給它一段資訊和幾個提前定義好的問題，它可以直接返回選擇、評分以及相應機率。例如收到一封客服郵件，Jev可以同時判斷應該分給那個部門、緊急程度、退款風險以及是否需要人工介入。

這個看起來更像“高級分類器”的模型很快獲得關注。Latent Space在9月16日的AI News中稱，TypeSafe發佈當天長時間位於Hacker News前列，創始人Diogo Almeida的發佈帖當時已有約420萬次瀏覽、近2萬次點贊。

TypeSafe AI創始人Diogo Almeida。 圖片由AI生成

TypeSafe公佈的性能數字也很誇張：在特定工作流評測中，Jev最高比對照大模型快193.6倍、便宜444.6倍，端到端延遲70—500毫秒，輸入價格每百萬Token 0.042美元，輸出不按Token收費。

Jev背後的團隊同樣也是自帶流量。它來自剛剛走出隱身模式的舊金山創業公司TypeSafe AI，由Diogo Almeida、Erik Gafni和Sasha Sheng共同創立，剛完成DCVC領投的4000萬美元種子輪融資，Forbes援引知情人士稱估值約2億美元。

Almeida曾是OpenAI研究員，也是2022年InstructGPT論文的主要作者之一，參與建立了後來廣泛採用的RLHF訓練流程。OpenAI在GPT-4貢獻名單中也將他列入“Foundational RLHF and InstructGPT work”。

離開OpenAI後，Almeida稱自己花了兩年時間思考一個問題：如果大模型已經這麼聰明，為什麼世界上的大多數工作還沒有被自動化？

Jev可以看作他給出的第一個答案。

01  Agent真的需要每一步都“說話”嗎？

今天的大語言模型，本質上仍然是一台極其強大的Token生成機器。以一個電商Agent為例，它打開網頁後需要判斷下一步點選那個按鈕。常見做法是把網頁狀態交給GPT、Claude或Gemini，模型理解頁面後，以自回歸方式一個Token接一個Token生成答案，比如“根據當前頁面，我應該點選右下角的Checkout按鈕”。軟體隨後再從這段文字中提取Checkout，呼叫瀏覽器工具完成點選。

但從軟體系統的角度看，它真正需要的資訊可能只是“第三個按鈕”。

類似的情況大量存在於Agent內部：這個工單應該交給銷售還是售後，這筆交易風險高不高，搜尋出來的十條結果那個最相關。這些任務都需要模型具備語義理解和判斷能力，卻沒有多少開放式文字生成的必要。

Jev的目標就是這一部分工作。TypeSafe把它定義為“System One Model”，名字來自丹尼爾·卡尼曼《思考，快與慢》中的System 1——快速、直覺式判斷。

Jev這個名字則來自經濟學家William Stanley Jevons以及“傑文斯悖論”：一種資源的使用效率提高、成本下降之後，最終需求可能反而增加。TypeSafe希望同樣的事情發生在AI上，讓“智能判斷”足夠便宜後被大規模嵌入軟體。

Jev目前公開的基本輸出主要包括Choice、Score和Noul。

Choice負責在預定義選項中選擇，Score給出等級或連續評分，Noul處理yes/no判斷，同時輸出相應機率。例如一個風控系統可以讓Jev判斷某個使用者退款風險為低、中還是高，模型最終返回“高風險75%”。軟體拿到這個結果後，可以通過普通程式碼直接決定是否進入人工稽核。

從這個角度看，Jev很像一個擁有通用語義理解能力的“智能if語句”。這也是它與傳統分類器最重要的差別。

傳統分類器當然也可以判斷垃圾郵件、欺詐風險或者圖片類別，但每增加一種任務，往往需要重新定義資料、訓練或者微調模型。Jev希望把大模型已經獲得的通用知識和零樣本泛化能力保留下來，同時把輸出壓縮成軟體真正需要的選擇和機率。

這個需求在Agent時代明顯放大。一個複雜Agent任務內部可能發生幾十次甚至數百次模型呼叫，其中很多都屬於routing、classification、verification和狀態判斷。如果這些步驟全部交給完整的生成式大模型，模型不僅要理解問題，還要花時間生成一段最後不會被人閱讀的文字。這部分額外成本看起來確實沒必要。

圖：TypeSafe演示顯示，Jev直接返回多項結構化判斷，而傳統LLM仍在逐步生成文字。官方示例中，前者耗時0.114秒，後者為8.566秒。

這也是判斷Jev技術含量最關鍵的問題。

GPT、Claude、Gemini等大語言模型採用自回歸生成。模型先處理輸入，再根據此前所有Token預測下一個Token，一個句子因此必須按照順序不斷Decode。這樣的機制給予模型巨大的輸出自由度，它可以寫文章、生成程式碼、解釋原因，也可以進行複雜推理，但代價是生成過程具有順序性，輸出越長，需要執行的Decode步驟通常越多。

Jev主動限制了輸出空間。開發者提前規定可能的答案，例如refund_risk={low, medium, high}，模型只需要判斷三個結果的機率，無需再生成“我認為這個使用者具有較高退款風險”這樣的自然語言。TypeSafe還宣稱Jev採用新的parallel sampler，可以在一次查詢中同時回答多個相互獨立的問題。例如處理一張發票時，同時判斷髮票類型、異常風險、審批等級和是否需要人工覆核。

這也是理解Jev效率數字的關鍵。

它和最近越來越受重視的Flash路線因此存在明顯區別。Google Gemini Flash、DeepSeek V4.1 Flash等模型依然屬於生成式LLM，通過架構、啟動參數、KV Cache和推理系統等方式降低每個Token的計算成本，解決“怎樣更快地生成Token”。

Jev是直接減少token。如果一個Agent完成任務需要100次模型呼叫，其中10次需要複雜規劃和自然語言生成，剩餘90次只是工具選擇、結果排序、風險判斷和任務狀態檢查，那麼全部呼叫同一種大型生成模型顯然存在最佳化空間。

未來更現實的Agent系統可能採用多層模型結構：複雜任務交給Frontier Model，普通推理交給Flash，路由、分類、驗證等高頻判斷交給Decision Model，確定性的部分繼續由傳統程式碼處理，Harness負責在這些能力之間調度。

這也是Jev最值得關注的產業意義，並不是“一切需要智能的地方都需要呼叫生成式LLM”。

圖：TypeSafe稱，Jev會為每次判斷返回經過校準的機率，軟體可以據此設定自動執行閾值：高置信度任務直接處理，低置信度任務轉交人工覆核。

TypeSafe官網對Jev最醒目的宣傳之一是“Zero Hallucinations”。這句話容易讓人誤以為Jev解決了大模型長期存在的幻覺問題，但它只是能保證輸出不會超出預定義類型。

圖：TypeSafe公佈的官方評測顯示，Jev在其工作流測試中以更低成本獲得接近前沿模型的精準率；右圖顯示，Jev的工具呼叫類型錯誤率為0%

例如，開發者規定模型只能在“貓、狗、鳥”三個選項中選擇，Jev不會返回“大象”，也不會生成一段軟體無法解析的文字。

TypeSafe因此強調其type error可以做到0%。這對生產系統確實重要，尤其是在Agent自動呼叫API、修改資料庫和執行工作流時，結構化輸出越穩定，系統越容易接入後續操作。

但類型正確不等於判斷正確。如果輸入明明是一隻貓，模型卻返回“狗：97%”，它依然沒有發生type error，業務結果卻完全錯誤。因此，“Zero Hallucinations”更準確地說，是對輸出格式和類型的約束，目前沒有證據表明Jev消除了事實和判斷層面的錯誤。

Jev更值得關注的部分，其實是TypeSafe提出的RLCD——Reinforcement Learning for Calibrated Decisions，即面向校準決策的強化學習。按照團隊的解釋，RLHF主要最佳化人類偏好，RLVR依賴可驗證獎勵提升數學、程式碼等任務能力，RLCD重點解決“模型說自己有多大把握，這個機率到底靠不靠譜”。

這對Agent進入生產環境尤其關鍵。假設一個模型實際判斷正確率只有80%，卻經常給出99%的置信度，那麼這個數字幾乎無法用於自動化決策。理想情況下，當模型對一批任務都給出90%的置信度時，其中大約90%應該判斷正確。只有做到這一點，企業才能建立穩定的分流機制：高置信度任務直接執行，中等置信度交給更強模型覆核，低置信度再轉給人工。

如果RLCD最終能夠被獨立驗證，它的實際意義很重要。一個校準良好的Decision Model，本身就可以充當Agent系統裡的路由器。

不過，TypeSafe目前尚未公開完整論文，也沒有披露參數規模、網路結構、訓練資料和足夠的消融實驗。外界因此還無法判斷RLCD究竟代表一種明顯不同的訓練範式，還是對強化學習、機率校準等已有方法的工程化組合。同樣，TypeSafe宣稱的parallel sampler和System One Model目前也缺少足夠細節，很難據此認定Jev已經完成了類似Transformer、Attention或MoE等級的基礎架構突破。

Jev傳播過程中吸引眼球的還有一組性能數字。TypeSafe公佈的production-style workflow評測顯示，Jev在其設計的四類工作流上平均得分約67.8%，部分前沿模型大約在68%—74%區間；與此同時，Jev單個case的成本可以壓到約0.0004美元，響應時間約0.4秒。公司據此給出了最高193.6倍速度提升和444.6倍成本下降的資料。

這些數字完全不能簡單理解為“Jev擁有接近GPT的智能，同時快了193倍”。

首先，這些任務本身就是Jev最擅長的System One型任務，即分類、選擇、評分和判斷。讓一個專門為結構化決策設計的模型與通用生成模型比賽這類任務，本身就會放大Jev的優勢。其次，目前最完整的評測主要由TypeSafe自己完成，公司也承認測試任務由自己的model capabilities團隊設計，可能存在偏差；部分參考答案還來自強模型生成，而非全部使用人工標註的ground truth。

“193.6倍”和“444.6倍”也是特定任務、特定模型比較中的最大差距，並不代表Jev處理任何任務都能獲得這樣的提升。

它更能夠證明一個常識：如果任務最終只需要一個選擇或機率，那麼專門為判斷設計的模型確實有機會比完整的生成式LLM便宜很多。

更重要的是，Jev真正應該比較的對手也不只是GPT、Claude等昂貴前沿模型。今天的Flash小模型已經可以配合JSON Schema、Structured Output、Function Calling和Constrained Decoding返回結構化答案。傳統classifier以及embedding+classifier的成本還可能更低。

因此，一套真正有說服力的獨立測試，應該把Jev、Flash模型+Constrained Decoding、傳統分類器和Embedding分類器放進同一批真實生產任務，統一比較Accuracy（精準度）、Calibration（置信度校準）、Latency（延遲）、Cost（成本））、OOD Robustness（分佈外魯棒性）和Batch Scaling（批處理擴展能力）。目前看來，還沒有這類測試。

噱頭大於實質，還是真的創新？社區已經吵成一鍋粥。

圖：一位Reddit使用者調侃“行業又重新發現了分類模型”，另一位認為，Jev更像是加入了LLM級語義理解能力的通用分類器，如果成本和速度資料成立，意義並不小。

Jev確實提出了一個基於Agent範式的痛點：AI的“智能”是否一定要通過高資源消耗的語言生成來完成。還有沒有更好、更靠譜、更高效的方式？

不過，也有開發者直接對騰訊科技說：“那有這好事兒？”   (騰訊科技)

發明ChatGPT的核心科學家，閉關兩年後，反手給整個大模型行業敲了一錘喪鐘。

今天，前OpenAI核心研究員，ChatGPT、GPT-4論文重要貢獻者，現TypeSafe創始人Diogo Almeida公佈了一種全新模型：Jev，在開發者圈迅速走紅。

Jev這個名字取自傑文斯悖論（Jevons paradox），同時也寓意它在「每美元所能換取的智能」指標上表現爆表。

與現有的LLM模型相比，Jev在系統任務上達到了類似的智能水平，但速度和效率提高了兩個數量級，雖然Jev不具備字串生成功能，但它針對結構化輸出進行了最佳化，並且不會產生幻覺。

Diogo Almeida稱團隊歷時兩年“秘密”研發，建構了一個完全專注於自動化的新堆疊：採用新的模型架構、平行採樣器以實現最高效率，以及一種新的模型訓練方法（RLCD）。

簡單來說就是，開發者可以把Jev看作是一個前沿智能函數呼叫：輸入非結構化狀態，輸出類型化的機率決策。

01. 放棄出口成章的對話只專注決策能力

在所有人的慣性思維裡，大模型必須會出口成章、會長篇大論， 但Jev走向了完全相反的方向——它徹底閹割了自然語言生成能力，絕不吐半句廢話，只在毫秒級內給出最精準的機率分佈與結構化判定。

Diogo Almeida介紹，相比現有的LLM模型，Jev速度快20-200倍，成本低40-400倍（輸出令牌免費），聽起來好得令人難以置信，主要差異點如下所示：

成本方面，LLM模型輸入token約0.20‑10美元/百萬token，輸出開銷約為輸入token的5倍，而Jev輸入token為0.042美元/百萬token（即每十億token42美元），輸出token不計費（成本極低，無需計量）。

訓練最佳化方式方面，LLM模型普遍基於人類反饋的強化學習（RLHF）/可驗證獎勵強化學習（RLVR）；Jev的訓練方法為校準決策強化學習（RLCD）。

速度方面，前沿模型端到端響應時間：3‑329秒，對人機互動尚可，但嵌入程式碼時會成為巨大性能瓶頸；Jev模型的端到端響應為70‑500毫秒，針對系統一類任務，同等智能水平下，速度提升40‑200倍。

1、AI驅動業務流程/智能條件判斷。結構化輸出直接接入普通軟體，充當模糊決策規則：分類、路由、打分、資訊提取、分支判斷；替代難以維護的手寫邏輯；程式碼約束模型輸出邊界，更容易建構穩定可靠系統。

2、巨量資料Map‑Reduce處理：PB級資料提取特徵、挖掘洞察。

3、即時應用：100ms等級延遲，可用於對互動體驗要求嚴苛的產品。

4、全鏈路校驗：打分、評判、核驗、安全防護，以及檢測大模型提示詞越獄、推理鏈路、模型輸出的安全風險。

02. 平行輸出架構從底層消滅幻覺

這種性能說出來可能沒人信，該團隊在技術報告中表示歡迎質疑者自行驗證。

官方對照Demo直觀展現了Jev模型與傳統LLM模型的核心差異：Jev會平行輸出全部機率結果，而不是按token自回歸逐個生成，幾乎秒出結果；普通LLM字串文字生成雖然能力極強、通用性高，但代價高昂。

在這個示例中，該團隊選用的對照模型是默認配置的GPT-5.6 Terra，原因是它的平均智能水平與目前的Jev最為接近。

此外，該團隊還設計了一套新的評測方式，用來衡量AI在程式碼內部的實際運行效果。

具體而言，預先設定一套正確的計算圖（以程式碼實現的“工作流”），並把業界規模最大、能力最強、成本最高的外部大模型給出的預測結果，作為參考機率基準。

所有模型運行完全相同的工作流，測試各個模型與頂尖模型集合的平均輸出之間的差距，選用的基準模型為當下的旗艦模型GPT‑6 Astra 與Claude Fable 5.1。

Jev的表現表現遠超預期，佔據帕累托最優前沿，性能差距接近兩個數量級，而依靠生成提示詞、把全部邏輯放在思維鏈（CoT）內部完成推理的模型，表現明顯劣於直接使用工作流本身。

該團隊展示了工作流當中最簡單的一套，對外宣稱的速度提升193.6倍、成本降低444.6倍的資料就來源於這組測試：

另一大突出優勢在於幻覺與類型安全方面。智能體場景下，發生幻覺導致工具呼叫出錯頂多帶來使用不便，但如果這套系統有延遲保障要求，或是呼叫鏈路深埋在多層依賴鏈之中，幻覺問題就會直接讓整套系統徹底不可用。

現有的大模型，最讓人抓馬的死穴是它有時候會在不知道答案時依然選擇自信地“胡說八道”，無論如今能力有多強，依然會有機率產生幻覺，同時還會出現類型錯誤。

而Jev模型輸出的每一個數值和選項，都帶著嚴格校準後的真實勝率與置信度，它很清楚自己知不知道，在數學層面上把幻覺徹底焊死降為0。

放到具體應用上，Jev帶來的是低成本即時智能能力，以及程式碼結合AI所能實現的效果。

在經典射擊遊戲《毀滅戰士》測試中，Jev模型驅動Doom遊戲即時AI演示，負責開發的工程師原本還擔心每秒發起10次API呼叫的開銷會很高（高吞吐即時場景），最終測算成本僅約7美元/小時。

另一項演示是維基競速遊戲，遊戲規則是從某一個維基百科頁面出發，僅依靠頁面內的超連結跳轉，抵達指定的另一個維基百科頁面，每一步都要從數百甚至上千個連結當中做出選擇。

這是一個絕佳的測試場景，不僅可以體現每秒所能輸出的智能能力，還能充分展示在高候選集選擇場景下，杜絕幻覺所能帶來的疊加增益。

相比對照模型，Jev往往能用更少步數完成任務，最高支援255個候選選項，開啟推理能力後，LLM模型在該任務上的表現會好很多，但關閉推理後，LLM在這項任務上效果會很差。

Jev背後的公司TypeSafe AI在2024年創立時曾獲得4000萬美元融資，該團隊表示Jev目前仍處在早期階段，還有大量研發項目正在推進。

獲得早期Jev存取權的開發者直呼不可思議，測試運行了大約5000個請求僅花了大約2美元，涵蓋了分類、模型路由、意圖、引導以及許多其他方面任務。

有開發者認為，Jev指出了一個很有意思的方向：Agent可以繼續使用通用大模型思考和規劃，但真正進入生產系統的大規模自動化，可能需要另一類更快、更便宜、更受約束的決策模型。

大模型負責想，Jev負責在軟體裡每秒做成千上萬個決定，AI的下一次效率躍遷，也許不是比誰生成得更快，而是不再生成，未來智能體自動化可能會比現在還能再快一個量級。 (頭部科技)

彙整鉅亨號中所有使用「TypeSafe」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

爆火的JEV：教會了AI說話，轉頭造個啞巴

一個“不說話”的AI刷屏，Jev真是新範式嗎？

速度快200倍、成本暴降400倍！前OpenAI核心研究員閉關兩年“炸場”LLM牌桌