Jev：专为高频决策打造的“System One”大模型，开启Agent低成本执行新路径
2026/09/21 18:05阅读量 3
TypeSafe AI推出名为Jev的大模型，该模型摒弃文本生成能力，专注于二元或分类判断任务，平均响应时间仅380毫秒，成本较传统模型降低40-400倍。其核心采用RLCD（面向校准决策的强化学习）训练方法，确保输出概率的可信度，从而支持自动化系统直接执行决策。在预筛、并行分类等场景中，Jev展现出极高的性价比和速度优势，被视为推动Agent时代大规模应用的关键拼图。
事件概述
TypeSafe AI发布了名为Jev的全新大模型。与传统大语言模型不同，Jev不生成文本、代码或进行对话，而是作为一个通用的分类器和决策引擎，专门用于处理高频的二元判断或多分类任务。该模型由前OpenAI研究员Diogo Almeida创立，旨在解决自动化系统中对快速、低成本且高置信度决策的需求。
核心技术与性能特征
- 极致速度与低成本：Jev的平均响应时间为380毫秒，每秒可完成约10次决策。相比传统大模型，其推理速度快20-200倍，成本低40-400倍，单价低至0.042美元/百万Token（由于输出极短，实际输出Token甚至免费）。
- RLCD训练机制：模型采用“面向校准决策的强化学习”（Reinforcement Learning for Calibrated Decisions, RLCD）。与优化人类偏好的RLHF或验证答案正确性的RLVR不同，RLCD重点优化判断的正确性以及置信度的校准。例如，当模型输出置信度>0.9时，自动化系统可直接信任并执行；0.7-0.9之间可交由更强模型复核；<0.7则转交人工。
- System One架构：借鉴丹尼尔·卡尼曼《思考，快与慢》中的概念，Jev定位为“系统1”（直觉式快思考），区别于GPT/Claude等偏向“系统2”（分析式慢思考）的模型。它通过重新设计的模型架构和并行Sampler，实现批量并行判断而非逐Token生成。
应用场景与实践案例
- 内容过滤与预筛：开发者利用Jev构建浏览器插件，实时过滤社交媒体上的引战、广告或不感兴趣的内容，判断过程在后台毫秒级完成。在新闻相关性预筛测试中，Jev在准确率、速度和成本的平衡上优于GLM、DeepSeek和Qwen等Flash系列模型，尤其适合大批量数据的初步筛选。
- 自动化控制与游戏：Jev被用于操控浏览器查询航班（7秒内完成全部点击）、玩马里奥游戏（基于按键判断）以及搭建交易机器人（买卖决策），展示了其在离散动作空间控制中的潜力。
- 并行多标签分类：在处理单条信息的多维度判断（如是否AI相关、是否为广告、是否融资等）时，Jev能同时输出多个决策，保持最高准确率和最快速度。
行业意义：杰文斯悖论与智能普及
Jev的名字源于经济学中的“杰文斯悖论”（效率提高导致总消耗增加）。创始人认为，随着智能判断成本的急剧下降，原本因昂贵而受限的决策场景将被广泛激活。Jev代表了Agent时代从“生成式交互”向“执行式决策”的重要补充，为需要大量高频判断的自动化流程提供了高性价比的基础设施。