大数跨境
首页
>
24 天估值暴涨 37 倍，这就是 AI 圈年度爽文
>

24 天估值暴涨 37 倍，这就是 AI 圈年度爽文

24 天估值暴涨 37 倍，这就是 AI 圈年度爽文 APPSO
2026-10-10
4
导读：LLM 给人用，决策模型给代码用
非文本 AI 模型 Jev 近期引发市场关注，其背后的 TypeSafe 公司获得由 a16z 领投的 8.7 亿美元融资，估值飙升至 75 亿美元。相较于 9 月 15 日发布时 2 亿美元的估值，短短 24 天内翻了 37 倍。
Jev 发布数日内用户突破百万，三周后单日处理 Token 达数万亿量级，约三分之一的财富 500 强企业已投入使用。与此同时，决策模型赛道迅速升温：OpenAI 推出 Decisions API，开源平台 vLLM 发布 6 款决策模型，微软也正式发布了 Microsoft-Decision-1。
决策模型不具备聊天、编程或文档总结能力。其核心功能是在给定上下文和预设候选答案后，快速返回每个选项的校准概率。这一技术的爆发，根本原因在于 Agent（智能体）应用的规模化落地。
在 Agent 任务中，存在大量分支判断，如模型路由、工具调用放行、流程终止等。这些判断答案空间有限但调用频次极高。若使用前沿大语言模型（LLM）处理每一次判断，将导致延迟叠加和成本激增。微软技术博客指出，随着 Agentic AI 成为现实，成本已成为决定 AI 应用方式的关键因素。

决策模型的技术原理与应用

从文本生成到概率输出

传统大模型通过逐 Token 生成文本来回答问题，即使要求输出 JSON 格式，仍面临格式错误、解释混入等问题。微软发布的 Microsoft-Decision-1 则采用不同路径：输入为“证据+问题+固定选项”，模型通过单次前向传播直接输出各选项概率。这些输出专为程序调用设计，而非供人类阅读。
例如，当 Agent 准备调用外部工具时，Decision-1 可在“继续执行”、“重试”、“换工具”、“转人工”之间给出概率。应用程序依据阈值决定下一步操作：

置信度足够高，直接执行；

多个选项概率接近，交给更大模型处理；

出现无法判断情况，转人工复核。
Decision-1 支持 Yes/No、多选、评分及分类任务，也可基于既定标准对 AI 回复或 Agent 动作进行打分。其单次调用最多处理 32K Token，输入输出均为文本与 JSON，不生成解释或推理过程。该模型以 Qwen3.5-9B 为基座，利用微软公开数据集及合成数据训练而成。
本质上，这类模型扮演“评分器”角色：大模型负责提出方案或生成回复，决策模型负责校验方案合规性及回复可用性。它作为 Agent 基础设施的一层存在，旨在提升效率而非取代通用大模型。

性能优势与校准概率

微软数据显示，Decision-1 在 36 个测试集、近 15 万道题中取得最高准确率，速度比 Quyet-1.0-Large 快 4.5 倍，比 GPT-6 Sol 快 35 倍。其核心优势在于“校准概率”：当模型宣称有 90% 把握时，实际准确率确实接近 90%。这使得开发者可以设定明确阈值，实现自动化决策与人机协作的高效平衡。

巨头入局与开源生态

OpenAI 与 vLLM 的动态

OpenAI 此前在开发者大会亮相的 Decisions API 现已开放公测，由 GPT-6 Luna 驱动。该 API 支持基于图文的条件概率判断、预设选项选择及标准化评分，适用于投诉分流、图片审核、模型路由和风险筛查等场景。
图｜https://platform.openai.com/decisions
相比通过 Responses API 调用同一模型，Decisions API 在特定任务中速度最高可提升 10 倍，每百万输入 Token 收费 0.10 美元，且不收取输出及缓存费用。
开源社区方面，vLLM 推出了 6 款基于不同版本 Qwen 模型后训练的决策模型。据统计，当前涌现的多数决策模型均基于千问系列，仅 OpenAI 的 Decision API 和 Jev 除外。
网友汇总显示，除少数例外，大多数决策模型源自千问系列。
图｜来源：X@Michaelzsguo
在 vLLM 的 Decision 2.0 首页可体验这些模型的运行逻辑，其适用场景包括：

请求分类、模型路由、搜索结果相关性判断；

对 AI 回复或 Agent 动作进行打分；

安全拦截、数据校验、工单分流；

从固定动作中选择下一步；

大规模文本标注。
以 LLM 路由为例，针对“17 x 24”这类简单计算，决策模型可快速输出关于模型选择、复杂度、是否尝试越狱、所需工具、事实核查需求及延迟优先级等六个维度的决策概率。
图｜https://huggingface.co/spaces/vllm-sr/decision-studio

处理模糊判断的新范式

传统代码擅长处理明确规则（如文件后缀判断），但难以应对“客服消息是否紧急”、“检索内容是否回答问题”等模糊语境。Jev 等决策模型正是为解决此类模糊判断而生，同时保持分支控制权在代码手中。
图｜https://x.com/akshay_pachaar/status/2101037514945597645
严格来说，分类器、重排模型、奖励模型等早已具备受限选择处理能力。决策模型的创新之处在于将这些能力封装为跨任务的标准接口：应用声明问题、候选项及评分标准，模型返回类型化结果和概率。

廉价智能重塑软件架构

TypeSafe 将 Jev 定义为首个 System One Model，其核心吸引力在于极致的低成本与低延迟：部分任务延迟低至 70–500 毫秒，输入价格仅为每百万 Token 0.042 美元。据称，在特定场景下，其速度和成本优势可达通用大模型工作流的数十至数百倍。
对于需频繁进行小型判断的 Agent 工作流，这意味着许多过去因成本高昂而无法调用 AI 的任务变得可行。
图｜创始团队 20 多人：CEO Diogo Almeida（前 OpenAI 研究员）、Sasha Sheng（前 Meta）、Erik Gafni。
Jev 创始人 Diogo 表示，过去十年软件形态变化甚微，仅是在侧边栏增加聊天机器人，并未让软件真正理解意图或自主完成工作。AI 虽加速了软件开发，但尚未让软件本身变得更智能。Jev 的价值在于以传统软件可承受的成本，嵌入最新模型的能力。
图｜人工智能在三年内衰落的幅度，相当于个人电脑在15年内的衰落幅度。
人类向 AI 提问的次数有限，但软件每日处理的判断可达千万级。当单次判断成本低至忽略不计，AI 的使用规模将不再受限于用户主动打开聊天框的频率。
过去几年，行业致力于提升智能上限以解决复杂问题；如今，竞争焦点转向让最微小、普通的判断也能值得调用一次 AI。TypeSafe 估值的暴涨以及微软、OpenAI 的入局，预示着这样一个未来：人们未必会使用更多独立的 AI 产品，但日常使用的每一款软件背后，都可能隐含成千上万次 AI 调用。
【声明】内容源于网络
0
0
APPSO
AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al
内容 15816
粉丝 0
APPSO AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al
总阅读502.2k
粉丝0
内容15.8k