九月的AI圈本來就不缺熱鬧，幾家大廠的新模型輪番登場，按往年慣例，話題中心應該在它們身上。可過去一週，開發者在X、GitHub和各種技術群裡刷屏討論的，卻是一個連完整句子都不肯說的模型。

它叫Jev，9月15日才發佈，上線沒幾天，官方介面就被蜂擁而至的開發者擠到無法呼叫。到了9月21日，公司索性撤掉候補名單向所有人開放，每個註冊使用者送5美元額度，折合約1.2億Token。一個新模型用這種方式“洩洪”，今年並不多見。

做出Jev的公司叫TypeSafe AI，總部在舊金山。公司隱身兩年，露面時帶著兩樣東西，一個是模型，另一個是DCVC領投的4000萬美元種子輪，約合人民幣2.8億元。Forbes援引一位知情人士的說法，這一輪估值為2億美元，也就是14億元上下。

更讓人好奇的是創始人Diogo Almeida。他在OpenAI待了四年，參與過RLHF、InstructGPT、ChatGPT和GPT-4的研發。RLHF即基於人類反饋的強化學習，ChatGPT能聽懂指令、說話得體，這項技術功不可沒。換句話說，他是當年教會大模型“說人話”的那批人之一。離開OpenAI之後，他做出來的東西恰好反了過來。

用過大模型做分類的人，多半有過這種煩惱。只想讓它判斷一封郵件急不急，回個“是”或“否”就夠了，它偏要先鋪一段分析，又慢又費Token。Jev的辦法簡單粗暴，乾脆不讓模型開口。它讀進去的是雜亂的狀態資訊，吐出來的是開發者預先定義好類型的決策，每個答案都附帶一個經過校準的機率。TypeSafe給它起了個名目，叫System One決策模型，典故來自《思考，快與慢》裡的“快思考”。人掃一眼就能拍板的事，交給它。

Almeida在一檔播客裡解釋過這套設計。Jev只有三種輸出：Choice在給定選項裡挑一個，Score用來排序或和閾值比大小，Noul回答是非題，但返回的是機率，由程序決定要不要走進某個分支。說白了，它是寫給程式碼看的。

速度和價格是它出圈的直接原因。官方給出的端到端延遲為70～500毫秒之間，相比於前沿的大模型要快40至200倍之多，每百萬個token收費為0.042美元，而輸出是免費的。

TypeSafe也曾公佈過更加誇張的資料，在自家的工作流程測試中，一些任務最快可以提高193.6倍的速度，最慢也可以降低444.6倍的價格，但是這些資料都是公司在自己做的測試裡得到的，並沒有經過獨立實驗室的驗證。

公司也會提示實際的表現會根據任務以及比較的方式有所不同。第三方的資料要謹慎一些，在經過獨立測試之後發現，它在分類一致率上和DeepSeek V4.1 Flash差不多，中位延遲為0.32秒。即使打折，這個價格也足以讓人心動了，有的文章甚至把它的價格比作AI界裡的“蜜雪冰城”。

真正把熱度提上去的是開發者各種各樣的玩法。官方先打出一個樣來，讓Jev玩初代《毀滅戰士》遊戲，在每一秒鐘裡都會做出大約十次的選擇來控制角色行走、躲避敵人以及射擊等動作，並且連續跑了一個小時大概花費了七美元。

Browser Use團隊把該內容接入到了瀏覽器自動化中，在打開網頁、刷出蘇黎世飛往倫敦的航班的過程中，整個過程只需要7.1秒，並且花費了0.0039美元。即時通訊公司Ably做了一個更加直觀的比較，在幾分鐘之內，Jev做出了47次決策，Gemini和Claude、GPT等也只做了一兩次。中文開發者的腳步也沒有停歇，在使用大模型出牌的時候明顯出現了卡頓的情況，而換上Jev之後單次決策只需要0.7秒的時間，出牌動畫還沒有播放完畢，下一回合就已經被打發出去了。上述情況都需要快速、密集地做出決策，但是每一個決策本身都不算難。

遊戲本身是熱鬧的，而商業上所做的動作則更能說明問題。Vercel第一時間內把AI閘道器接入到了Jev中，開發者用它來做大模型的裁判，在幾十毫秒之內就完成了對大模型行為是否合法、是否有事實依據進行稽核，並且給出了事實一致性的評分結果。當把東西便宜到可以忽略不計的時候，以前那些計算不出來的事情，忽然之間就計算出來了。

Almeida的履歷在圈內很有份量。OpenAI在GPT-4的貢獻者名單裡，把他列在“基礎RLHF與InstructGPT工作”一欄。他在OpenAI花了四年打磨ChatGPT的回答，2024年離開，著手訓練一種新的基礎模型。另外兩位聯合創始人裡，COO Sasha Sheng此前是Meta和FAIR的研究工程師，Erik Gafni出任CTO。三個人悶頭幹了兩年，外界幾乎沒聽過這家公司的名字。

按常理，這樣的人出來創業，多半會做一個更會聊天的模型。Almeida偏偏反著來，他批評的正是自己親手參與打造的那套方法。

他的邏輯並不繞。RLHF的做法是收集人的偏好再照著最佳化，等於把人直接放進了訓練回路，目標是讓人滿意，而不是讓軟體自主運轉。他對Forbes說得更直白，行業一直在為人做最佳化，模型討好人的本事已經超過了人。他在演講裡講過一個段子，有人給ChatGPT發了一段放屁音效，請它誠實評價自己“創作”的這首音樂，ChatGPT回答說，這營造出一種很詭異的氛圍。人在旁邊盯著的時候，這種圓滑無傷大雅。可如果要讓軟體在後台無人值守地跑，一個明明錯了卻總想顯得自己沒錯的模型，就成了大麻煩。

所以他敢放話，下一個時代不會是Claude Code的時代，他說自己也愛用Claude Code，但它仍屬於“輔助時代”，底子裡靠的還是RLHF。這話從ChatGPT的締造者之一嘴裡說出來，多少帶點反諷。

投資人買的，很大程度上就是這個判斷和說出這個判斷的人。美國投資人Trace Cohen的點評很有代表性，在他看來，給一家尚未交付產品的公司開出4000萬美元種子輪，押的就是背景，賭的是團隊而不是產品。從OpenAI出走的研究員一向是矽谷最搶手的創業者，這類估值邏輯早已見怪不怪。有意思的是，TypeSafe自己在上線前對產品也沒什麼底。

Almeida後來在播客裡回憶，上線前反饋相當糟糕，非技術同事擔心他們賣的是“維生素”而不是“止痛藥”，公司幾乎沒有收入，一半以上的測試者沒看懂，看懂的人第一反應是問採購審批怎麼過。他自己也很害怕，於是拚命推動盡快上線。

上線後的局面，他恐怕也沒料到。提高呼叫上限的申請從各處湧來，按他在播客中的說法，日呼叫量已超過一兆Token，深夜也在持續呼叫，說明是程序在背景執行，而不是人來嘗個鮮就走。這個數字目前只有創始人一方的說法，但深夜呼叫這個細節，確實比註冊人數更能說明產品是否被真正用了起來。

名字也有講究。Jev取自經濟學家William Stanley Jevons，即提出傑文斯悖論的那位學者。19世紀蒸汽機越來越省煤，英國的煤炭消耗反倒越燒越多。這個名字的用意不難猜。

“智能大拆分”，動了誰的奶酪

Foundation Capital合夥人Jaya Gupta寫過一篇長文，給Jev的走紅找了個更大的背景，她稱之為“智能大拆分”。她的觀察是，過去三年大模型的奇蹟在於“打包”，資訊抽取、搜尋、排序、判斷、選工具、寫回覆乃至高難度推理，都交給同一個足夠聰明的模型。開發者省了事，代價卻被藏了起來。Agent會把人的一個目標拆成成百上千次機器決策，每一步在成本和延遲上的細微差異層層累積，最終決定整個產品的經濟模型。她把其中的浪費叫作“解碼稅”：軟體明明只需要一個“放行”或“攔截”，大模型卻要先生成一段文字，程序再把文字翻譯回決策。

這筆賬最終要算到大模型公司頭上。Gupta在文中提到，據報導Anthropic的毛利率超過80%，一個簡單的分類任務，只因發生在Claude的呼叫裡，就得按前沿模型的價碼付費。

她的推演是，便宜、可預測的高頻操作會被逐步分流，留給前沿模型的是更模糊、週期更長、更難驗證的問題，每次呼叫也許更值錢，但被呼叫的次數會變少。應用層的活兒也跟著變了，要把任務拆開，給每一步買夠用且最便宜的智能。過去一套系統也許只抽查1%的行為，判斷足夠便宜之後，就有機會全部檢查一遍，客服對話、交易記錄、合同條款都能逐條過。Almeida看中的場景也在這條線上，比如大公司囤積多年、卻因為呼叫大模型太貴而從沒分析過的“暗資料”。他舉過保險核保的例子，模型讀完材料，直接給出某處房產發生過火災的可能性有多大。

故事講得漂亮，護城河的問題卻幾乎同步擺上了桌面。Jev發佈後短短兩天，GitHub上就冒出了至少六個復刻項目，有人拿Qwen的小模型在筆記本上訓練不到兩小時，就做出了介面相同的決策模型。

這些復刻不少是衝著“平替”去的。漲得最快的Laya，5天就拿下1.8萬個Star。Jared Palmer做的Kev基於Qwen3.5，與TypeSafe官方SDK完全相容，業務程式碼不用改，換個請求地址就能切到本地；Bespoke Labs的Nimble基於Qwen3.5-9B，測試精準率90.1%，接近Jev官方公佈的93.2%。熱鬧之下，阿里通義千問在這輪復刻潮裡意外當了一回“底座”。復刻品也有短板，有評測認為，面對任意提問和幾十個長選項的場景，眼下還得用Jev。

Jev自身的侷限同樣明顯。它是閉源API，模型拿不到手，資料也要傳到TypeSafe的伺服器上，這對不少企業客戶是道門檻。官方所說的“不會幻覺”也要打個折扣，它保證的只是答案不會跑出開發者定義的格式，而不是答案一定正確。

Almeida倒不迴避這些。他承認校準並不完美，模型會犯很多錯，但只要收益足夠高、閾值設得合適，照樣可以投入使用。有主持人試用後發現，單步判斷很強，步驟一多效果就逐漸下滑，他的回應是，哪些任務適合交給System 1，最終要看實際效果。外部壓力也擺在那裡，大廠還在持續壓低推理成本、提升速度，TypeSafe宣稱的優勢能守多久，要經過市場檢驗。

過去幾年，大家比的是誰的模型更會想。Jev這一週的熱鬧，讓行業第一次認真坐下來算另一筆賬：想一次，到底要花多少錢。 (融中財經)

最近，一個不聊天、不寫程式碼的AI模型刷屏了。開發者把它塞進各種應用，有人拿它玩遊戲，有人用它分郵件，還有人讓它操控瀏覽器。

它叫Jev，由前OpenAI研究員Diogo Almeida等人聯合創立的TypeSafe AI於9月15日發佈，同時被冠以一個新品類的名字：System One Models（系統一模型）。9月21日，Jev全面開放，更多開發者湧入，上手測試它能接手哪些工作。

這個模型的特別之處在於，它只做判斷。比如收到一條使用者評論，它會判斷是否違規、該刪還是要留。TypeSafe AI把軟體裡大量分類、評分、選擇下一步動作的工作，都交給一個專門的模型去做。

真正吸引行業的是速度和價格。按照官方測試，Jev的速度是大模型的193.6倍，成本約為其1/444.6，且輸出免費。不過官方也註明，並不是所有任務都能獲得同樣的提升。

開發平台Vercel在9月18日披露，Jev接入其AI Gateway後的24小時內，已有近13%的付費團隊使用，是GPT-5.6系列上線首日的2倍、Claude Fable 5.1的6倍以上。開發者社區更是探索出了很多玩法和場景。

在大模型卷參數的時候，Jev把決策又快又便宜做成賣點，給AI行業提供了一個新的故事。

這是又一個靠效率和價格引爆關注的“DeepSeek時刻”，還是一種模型分工新範式的開端？它的出現會給大模型行業帶來哪些影響？

我們先通過一個客服投訴的場景，來理解Jev能做什麼。

假設使用者發來一句“我被扣了兩次錢，想要退款”，接下來，客服系統要判斷交給哪個部門、事情有多緊急，還要判斷客戶要做什麼。程序可以把消息和預先設定好的問題一起交給Jev，由它直接返回判斷結果。

接到問題後，Jev的輸出會分為三種類型。

第一種是Choice，在給定選項裡做選擇。比如“該交給哪個部門”，候選選項包括售前組、售後組、技術組等，Jev會選出一個，同時給出各選項的機率。

第二種是Score，按預設標準打分。比如“問題有多嚴重”，程序可以設定從“輕微”到“造成重大損失”的不同等級，Jev給出各等級的機率，再計算加權分數。

第三種是Noul，判斷一句話成不成立。比如“使用者在要求退款”，如果返回0.97，就表示模型認為這句話有97%的機率成立。

三種輸出可以在同一次呼叫裡一起完成，程序拿到結果就能繼續走下一步。

具體效果如何，開發者已經做了一些嘗試。

有網友在X上展示用Jev進行郵件分類。據他介紹，Jev在數秒內完成了500封郵件的分類，花費3.5美分。對於需要反覆讀取文字、分配類別的任務，這顯示出低成本批次處理的潛力。

還有網友展示了航班查詢的案例。他把網頁上的按鈕、輸入框等元素整理成候選項，讓Jev決定下一步執行什麼操作、選擇哪個目標。到了需要填入城市名的環節，再呼叫生成模型提供文字。據他介紹，這套系統在約7秒內就完成了一次航班查詢。

不同用法背後，是同一個設計思路。TypeSafe AI把Jev歸入一個新品類——“System One”，取自卡尼曼《思考，快與慢》中那種不用過腦子、憑直覺瞬間給出的判斷。Jev本質上是一個決策模型，不生成任何字元，直接返回可供程序呼叫的結構化決策。

這些事情，通用大模型也能做，Jev的區別在哪裡？

最明顯的區別在於輸出方式。通用大模型通過生成文字給出答案，即使只需要一個選項，通常也要逐個生成Token。Jev直接返回選項、分數或機率，程序拿到結果就能繼續執行。

輸出方式背後，其實是產品定位的不同。通用大模型可以聊天、寫程式碼，也能分析問題，Jev則專門處理判斷任務，開發者提供資訊、描述判斷要求，必要時給出候選選項，由它返回結果。仍以退款為例，識別訴求、分配工單可以交給Jev，解釋退款政策、給客戶寫郵件，則需要通用大模型。

這也容易讓人聯想到傳統的分類器。分類器是專門給資訊歸類的模型，開發者先設定類別，再用已經標好類別的資料訓練它，讓它學會不同類別的特徵，從而判斷新的輸入應該歸到哪裡。但分類器通常圍繞固定任務訓練，換了業務場景或標籤，往往需要補充標註資料、重新訓練或調整。

相比之下，Jev的使用方式更靈活，它仍具備大模型式的語義理解與泛化能力，開發者可以通過提示詞描述不同的判斷任務，不必為每個新任務重訓模型。

02.快、便宜、精準，是怎麼做到的？

Jev能幹什麼講清楚了，那麼，它為什麼能在一周內讓開發者集體上頭？

文字打標籤、請求分流、風險判斷，這些需求一直存在。到了Agent時代，這類“判斷類呼叫”的需求變得更大了。

一個Agent完成任務，往往需要反覆作出選擇。哪怕使用者提出的是一個簡單任務，背後可能都會發生幾十次模型呼叫。

大模型研究員曾小健告訴「AIX財經」，Jev踩中的正是這個痛點。過去，開發者把太多判斷題交給生成式大模型，讓模型先生成文字，再從中提取結論。單次呼叫的開銷不大，但在Agent持續運行的過程中，重複判斷會明顯推高整個任務的成本和耗時。

Jev把這類需求單獨做成產品，無論是選工具、檢查內容，還是判斷任務是否完成，開發者都能找到可以嘗試接入的環節。

再看產品端，Jev同時做到了“速度快、便宜、判斷准”三件事。

一位業內人士告訴「AIX財經」，CoT（思維鏈）讓模型一步一步思考，通過增加推理過程中的計算量，提高複雜任務的精準性。Jev則省去逐Token生成文字的過程，直接返回判斷結果和機率，以此提高速度。

此外，同一份輸入還可以平行完成多個獨立判斷。大模型研究員姚宇航舉例，檢查一份文件時，寫作質量怎麼樣、有沒有敏感詞彙，可以平行判斷，不必逐項等待。放在大規模呼叫中，這能節省可觀的時間。

通用大模型的API通常分別按輸入、輸出Token收費，生成的內容越長，輸出費用越高。Jev不生成文字回覆，只收取輸入費用，每百萬輸入Token為0.042美元，輸出不收費。對於反覆分類、打分的任務，這種設計減少了為獲取一個簡單結論而支付的生成費用。

這種設計，在Agent中尤其有價值。一次任務可能包含多次工具選擇、結果檢查和重試判斷，每一步的開銷都會計入完成任務的總成本。曾小健舉例，可以先用Jev判斷問題難度，把簡單問題交給便宜模型，複雜問題再升級到更強的模型。這樣，既降低了判斷環節的費用，也減少了不必要的強模型呼叫。

再者是訓練方法讓模型返回的機率本身可信。

前述業內人士解釋，Jev的判斷仍依靠模型內化的世界知識、高品質的決策資料與訓練軌跡，以及對輸出機率的有效校準。

這種訓練方法叫作校準決策強化學習（RLCD）。所謂校準，就是在大量被模型賦予80%機率的判斷中，相應事件實際發生的比例也應接近80%。這樣，開發者才更容易根據模型的把握程度，決定哪些結果可以自動執行，哪些需要覆核。它改善的是判斷與不確定性的表達，並不保證每次都答對。

有網友的測試就呈現了這種差別。他讓Jev判斷60個Agent工具呼叫屬於唯讀、破壞性、及權限，還是資料外傳，再對照自己預先標註的答案。結果55個判斷一致，一致率91.7%。但難度不同的案例表現差距明顯，34個界限清楚的案例全部答對；12個刻意偽裝成正常操作的陷阱案例，答對了11個；剩下14個本身就存在爭議的含糊案例，只答對10個。

姚宇航解釋，Jev並不是真的零幻覺，它的輸出被卡死在給定選項裡。如果給定A、B、C、D四個選項，它不會憑空選出E，但仍可能在四個選項中選錯，需要通過模型微調和上層工程降低誤判機率。

以上是Jev公認的優點，但能具體快多少、便宜多少，還得看任務和對照對象。曾小健提醒，如果換成便宜的小模型，並要求它只輸出簡短結果，差距會明顯縮小。同一段材料需要完成多個獨立判斷時，共享上下文、平行處理的優勢才更容易體現，真正的收益在高頻、批次判斷中。

Jev的出現是一陣風，還是一種新範式，類似當年的“DeepSeek時刻”？得從兩面看。

從技術層面看，Jev並不算新。曾小健指出，分類器、排序模型和意圖識別早已存在，Jev並沒有跳出這類任務的邊界。

但從產品層面看，它是新的。Jev把“判斷”做成了一個便宜、快速、可以獨立呼叫的模型介面，面向 Agent、單獨計費、單獨最佳化。開發者可以圍繞判斷任務，單獨比較準確率、延遲和費用，選擇適合的模型；決策能力也因此有了自己的迭代路徑，不必再跟著通用模型的整體能力一起升級。

對每天要處理大量文字的企業來說，只要判斷質量夠用，Jev就能明確帶來更快、更便宜的處理效率。曾小健把它總結為“系統工程和產品架構上的創新”。

前述業內人士則更看重它在模型體系中的位置。他認為，Jev所代表的技術方向，未來很可能成為一種重要的推理與輸出範式，與普通文字生成、CoT深度推理長期並存。

多位從業者告訴AIX財經，接下來能接住這波紅利的，包括三類玩家：個人開發者、企業、具身智能公司。

對個人開發者來說，最簡單的嘗試是把Jev接進已有Agent，承擔工具選擇、任務終止以及失敗重試等判斷。曾小健認為，API呼叫本身門檻不高，會Python或JavaScript的開發者很快就能上手。這類任務選項有限、呼叫頻繁，偶爾判斷錯了通常還能恢復，適合用來測試決策模型的效果。

他提到，真正的門檻是，怎樣把業務需求定義成一個好的判斷問題。比如判斷“客戶風險高不高”，高和低的標準是什麼、多大把握才能自動執行、什麼情況必須交給人工，都需要開發者提前想清楚。

到了企業端，價值主要來自規模。姚宇航看好程式碼審查、客服和大規模文字處理等每天都要反覆分類、篩選、檢查的任務，一條資料還可能對應多個判斷。只要質量達到要求，單次呼叫節省的時間和費用，就能隨著業務量累積，降低整套系統的運行成本。

具身智能的想像空間更大。姚宇航認為，機器人對響應速度要求高，行業本身也還在早期，新的決策模型有機會切入。

機器人執行任務時，需要不斷根據環境變化決定下一步。如果環境資訊已經整理好、可選動作也已明確，快速決策模型有機會承擔其中一部分選擇，減少使用者的等待時間。但這仍是潛在用途，Jev能否適應實際環境、滿足可靠性要求，還需要專門驗證。

這些場景也給模型廠商提供了另一種做產品的方式。

姚宇航向「AIX財經」表示，過去行業比的是誰的模型更大、資料更多、算力更強，目的是解決更複雜的問題；Jev換了個方向，把那些又快又便宜就能解決的小任務專門做好，反而獲得了關注。模型廠商除了繼續提高能力上限，也可以圍繞具體判斷任務，最佳化速度、費用和穩定性。

曾小健打了個比方，未來的Agent系統更像一個模型團隊，有的承擔推理或生成，有的負責路由、排序或安全檢查。開發者需要重新判斷，哪些步驟值得呼叫強大的生成模型，哪些只需要一個快速、可靠的決策模組。

對國內廠商來說，機會是現成的。客服識別使用者意圖、銀行和保險把工單分到對應部門、銷售線索評出優先順序，都是合適的場景。加上國內企業更重視資料安全和本地部署，能夠在企業內部運行、適應中文業務標準的決策模型，有機會做出差異化。

這些機會並不只屬於Jev。姚宇航提到，已經有國內開發者嘗試用開源模型微調類似產品，他認為，復現這類功能的門檻並不高，後續可能有更多公司加入API服務競爭。

即便Jev的話題熱度可能只會維持幾個月，但用“便宜快速的模型做判斷”這個思路會持續。只要專門的決策模型能穩定降低工作的成本，就有繼續使用的理由。   (定焦One)

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。

不會說話的AI，估值14億

Jev爆火，具身智能迎來大救星？

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