Jev：不生成文本的AI决策模型，凭何成为新顶流？
2026/09/20 21:29阅读量 4
OpenAI前研究员Diogo Almeida创立的TypeSafe AI发布新型AI模型Jev，该模型不输出自然语言，而是提供结构化的分类、评分或概率决策。Jev端到端延迟仅70-500毫秒，比大语言模型快20-200倍，且成本极低（输入每百万token 0.042美元），能有效消除幻觉并避免格式错误。目前已在浏览器代理操作、上下文压缩及邮件分类等实时决策场景中展现出显著的效率与成本优势。
事件概述
由OpenAI前研究员、RLHF（基于人类反馈的强化学习）提出者Diogo Almeida联合创办的TypeSafe AI，于2026年9月15日正式发布其首款模型Jev。该公司此前已获得DCVC领投的4000万美元种子轮融资。Jev并非传统的大语言模型（LLM），而是一个专注于“校准后决策”的结构化输出模型，旨在解决LLM在自动化场景中成本高、速度慢及存在幻觉的问题。
核心技术与性能特征
- 结构化输出机制：Jev不生成自由文本，而是从预定义选项中做出选择（Choice）、打分（Score）或输出概率（Noul）。每次输出均附带置信度评分和概率分布，无需JSON解析器，彻底消除了Markdown代码块包裹、格式错误及跳出选项范围的幻觉问题。
- 极致速度与低成本：
- 延迟：端到端延迟控制在70-500毫秒之间，速度比同类LLM快20-200倍。
- 成本：输入价格为每百万token 0.042美元，输出免费。相比Gemini等大模型，在邮件分类等任务中成本降低10-20倍。
- 并行评估架构：单次请求可共享输入但独立并行评估多个问题（如同时判断紧急程度、情感倾向和路由目标），提升处理效率。
典型应用场景
- 浏览器代理与自动化操作：
- 作为“操作判断层”，Jev读取页面元素状态，动态生成可选动作列表（如点击哪个按钮、输入什么内容），指导Agent执行网页自动化任务。例如在查机票场景中，快速决定下一步是点击、输入还是等待。
- 上下文压缩：
- 快速识别关键信息，将数百万token的长上下文迅速收窄，保留高价值数据，降低后续处理成本。
- 实时路由与分类：
- Vercel案例：使用Jev替代OpenAI ChatGPT Luna 5.6进行命令安全检查，处理速度提升5-18倍，准确性显著提高。
- 邮件分类：通过组合Choice、Noul和Score，精准判断邮件队列归属、行动需求及优先级，成本远低于通用大模型。
- 高频实时决策：
- 在Ably Pong演示中，Jev在12秒内完成47次游戏操作决策，而Gemini、Claude和GPT仅完成2-3次，展示了其在高频交互场景下的统治力。
设计理念与市场愿景
- System One模型：TypeSafe将Jev定义为“直觉式”模型，依赖快速直觉判断而非多步推理链。官方建议将复杂任务拆解为明确的小问题并行处理，再由代码组合结果。
- 杰文斯悖论启示：模型命名源自经济学家William Stanley Jevons提出的悖论——当智力成本大幅下降时，智力将被广泛应用于微小的实时决策中，而非仅用于少数巨型应用。Almeida认为这更接近早期互联网的去中心化智能形态。
- 合成数据路线：创始人强调利用合成数据训练模型是其最明智的决定，优于依赖真实人类反馈，从而实现了更高的实用性和更低的成本。
行业影响
Jev的出现标志着AI应用重心从“生成式对话”向“确定性决策”拓展。随着其实用价值被验证，预计将有更多跟进者进入这一细分领域。TypeSafe计划针对不同场景推出更多版本模型，推动AI在实时路由、自动化代理等领域的规模化落地。