RLHF 核心作者另起炉灶，TypeSafe AI 发布“只判断不聊天”模型 Jev
Diogo Almeida 是 RLHF（基于人类反馈的强化学习）论文的核心作者之一，曾深度参与 InstructGPT、ChatGPT 及 GPT-4 的研发。然而，这位幕后功臣近日携新公司 TypeSafe AI 回归，发布了一款名为 Jev 的 AI 模型。与传统大模型不同，Jev 的定位非常明确：它不会聊天，只做判断。
RLHF：一种通过将人类偏好和评价融入训练过程，以优化 AI 模型的技术。
Almeida 认为，聊天机器人并非通往通用人工智能（AGI）的唯一路径，未来大部分 AI 应作为后台程序安静运行，无需与人对话。基于此理念，他联合连续创业者 Erik Gafni 和前 Meta 研究工程师 Sasha Sheng，于 2024 年在旧金山创立 TypeSafe AI。历经两年研发，该公司估值已达 2 亿美元。
Jev 模型核心机制：System One 快速决策
TypeSafe 将 Jev 定义为"System One Model"，其核心职能是快速判断，而非深度推理或文本生成。该模型接收非结构化输入（如邮件、日志、JSON 数据或游戏状态），结合预设的结构化问题，一次性并行输出带概率和置信度分数的答案。
本质上，Jev 是一个智能化的函数调用工具：输入非结构化状态，输出带类型的概率决策。例如，面对“这封邮件属于技术问题、销售问题还是投诉”的指令，ChatGPT 可能生成冗长的分析文本，而 Jev 能在 70 毫秒内直接返回结构化结果：“技术问题 85%，投诉 8%，销售 7%"。
由于输出结构预先定义，Jev 在数学上避免了格式错误。TypeSafe 据此宣称该模型不会产生幻觉，但这一观点在业界尚存争议。
极致性能与成本优势
价格低廉
Jev 的定价极具竞争力：输入 Token 价格为每百万 0.042 美元（即 10 亿 Tokens 仅需 42 美元），远低于主流大模型每百万 0.20 至 10 美元的区间；输出 Token 则完全免费。
速度惊人
从接收请求到返回结果，Jev 仅需 70 至 500 毫秒，而同类任务在传统 AI 模型上通常耗时 3 至 329 秒。实测数据显示，处理同一段客户状态描述，Jev 耗时 0.114 秒，而 GPT-5.6 Terra 耗时 8.566 秒。
独立开发者测试表明，调用 5000 次 Jev 的成本约为 2 美元，平均延迟仅为 150 毫秒。
应用场景实测：从游戏决策到内容质检
尽管不生成文本，Jev 在实时决策场景中表现优异。在“毁灭战士”游戏演示中，TypeSafe 将游戏状态转化为结构化文本，以每秒 10 次的频率发送给 Jev，由其实时决策移动、射击和转向动作。每小时运行成本仅约 7 美元，远低于团队预期。
在维基百科链接跳转测试中，Jev 也能以更少的步数从起始页面到达目标页面，展现出优秀的路径判断能力。
此外，科技博主 Dan Shipper 利用 Jev 在 0.7 秒内完成了对其过往所有文章的评判。他提出一种新范式：由常规大模型负责内容生成，Jev 担任后端质检员，构建高效的生产审核闭环。
争议与命名渊源
技术透明度存疑
目前，Jev 的性能数据均源自 TypeSafe 官方，缺乏第三方独立验证。由于未公开架构、权重、训练数据来源及相关学术论文，业界质疑其是否仅为传统分类器的重新包装。同时，“不会产生幻觉”的说法遭到反驳：类型安全仅能保证输出格式正确，无法确保内容逻辑的真实性。
命名背后的经济学隐喻
"Jev"之名源于 19 世纪经济学家 William Stanley Jevons 提出的“杰文斯悖论”：蒸汽机效率提升导致煤炭消耗量反而增加。Almeida 借此寓意：随着 AI 智能成本降低数个数量级，其使用量将呈指数级增长。
而"System One"的概念则取自丹尼尔·卡尼曼的《思考，快与慢》，象征该模型专注于类似人类直觉的快速判断，而非慢速深度推理。
目前，TypeSafe 已开启早期内测，用户可通过官网 typesafe.ai 加入候补名单。