Jev 发布仅 15 天，OpenAI 便迅速跟进。在 DevDay 上，OpenAI 推出 Decisions API，基于其最小、最廉价的 GPT-6 Luna 模型，可在预设答案中快速决策并返回置信度。该 API 延迟仅为 150 毫秒，远低于直接使用 GPT-6 Luna 的 1.6 秒。
开发者只需提供问题、候选答案及上下文，模型即可输出可直接被程序调用的结构化决定，如内容分类、请求路由或 Agent 下一步行动，而非生成冗长文本。这一核心能力与 Jev 高度重合。
消息公布后，Reddit AI_Agents 版块随即出现“Jev Is Dead”的帖子，评论认为 OpenAI 的入局使得 Jev 仅存的“速度与低价”优势难以为继，且 Jev 本身缺乏护城河。
OpenAI Decisions API：几乎复刻 Jev 的核心逻辑
Sam Altman 在演讲中指出，Decisions API 通过让模型专注于从明确选项中做选择，将响应速度提升至极致。这透露出两个关键信号：
首先，产品逻辑与 Jev 的 Choice 原语高度一致，将开放式生成收窄为封闭式选择。其次，底层采用成本最低的 Luna 模型，表明其定位为高频、低成本、可大规模嵌入 Agent 工作流的基础组件，而非调用高性能的 Astra 或 GPT-6.1 Sol。
目前 Decisions API 仅提供限量预览，具体定价及技术参数尚未公开，推测 OpenAI 意在抢占 DevDay 发布窗口。该产品填补了通用聊天模型与传统分类器之间的空白：既避免了聊天模型在处理简单判断时生成大量 Token 的低效和置信度估计不准的问题，又无需像传统分类器那样准备带标签数据并进行重新训练。
与 OpenAI 原有的 Moderation API 不同，Decisions API 允许开发者自定义问题和候选答案，这种灵活性使其产品逻辑与 TypeSafe AI 推出的 Jev 几乎完全重叠。
Jev 于 9 月 15 日发布，因其创始人 Diogo Almeida 曾参与 GPT-4 及 RLHF 等核心项目而备受瞩目，市场估值讨论一度超过 100 亿美元。Jev 定义为“System One Model”，主打快速直觉式判断，通过 Choice、Score 和 Noul 三种原语返回结构化结果，声称比前沿大模型快 20-200 倍，成本降低至 1/40 甚至更低。
Jev 的护城河质疑：架构易复制，数据是关键
业界普遍认为 Jev 的模型架构本身难以构成坚固护城河。早期克隆版本如 Bespoke Nimble 和 Kev-0.5B 均基于现有开源模型（如 Qwen）微调实现，核心思路是读取候选答案对应 Token 的 Logits 概率，将其转化为结构化决策结果。
Arcturus Labs 创始人 John Berryman 指出，大语言模型本就具备为下一个 Token 分配概率的能力，Jev 仅是将这一能力限定在特定选项范围内。因此，真正的壁垒可能在于训练数据和强化学习流程：如何将跨领域的现实案例（如客服工单流转、招聘决策、内容审核等）转化为统一训练材料，并通过强化学习校准概率，才是 TypeSafe 难以被快速复制的核心。
然而，OpenAI 拥有 TypeSafe 难以比拟的平台优势。一旦 Decisions API 准确率达标，即可通过现有的庞大开发者生态、Dots、Codex 等产品迅速铺开。对于多数团队而言，若 OpenAI 方案在准确性相当、价格相近的情况下能省去接入新供应商的成本，其吸引力巨大。
面对竞争，TypeSafe 创始人 Almeida 表现从容，强调模型质量的重要性。Jev 的未来取决于其概率校准的准确度是否真的难以企及。如果 OpenAI 能快速逼近其准确率并利用规模优势扩张，TypeSafe 的机会窗口或将迅速关闭；反之，若其在数据沉淀和模型校准上保持显著领先，仍能在细分领域占据一席之地。
