不会说话的AI模型Jev爆火，36小时14万开发者排队，判断速度比大模型快200倍_IT互联网

1. 不写代码、不聊天，只会 "做判断" 的 Jev 凭什么刷屏？最近刷屏的 AI 模型 Jev，不写文章、不写代码、不能聊天 —— 它唯一的本领，是做判断。一、Jev 是谁做的Jev 出自旧金山创业公司 TypeSafe AI，2026 年9 月 15 日结束两年隐身正式亮相，同期官宣 4000 万美元种子轮（DCVC 领投，估值约 2 亿美元）。创始人是 Diogo Almeida：OpenAI 前研究员、InstructGPT 主要作者、RLHF 训练流程的核心构建者之一。他追问的问题很简单：大模型这么聪明，为什么大多数工作还没被自动化？Jev 就是他的答案。二、Jev 是什么TypeSafe 的定义："Decisions, not strings"—— 要决策，不要文本。官方说是「System One Model」（靠快速、直觉做判断的模型）。主流 LLM 本质是 token 生成机，一个 token 接一个 token 地 "说" 出答案，软件还得费力解析。Jev 把这条链路砍了：给它一段状态（state） + 一组类型化问题，它一次性并行返回所有答案 —— 每个答案都是结构化值，附带校准过的概率。一句话理解：拥有通用语义理解能力的 "智能 if 语句"。三、三种输出原语1、Noul（是 / 否）：返回 0~1 的单一概率，无独立 confidence 字段；2、Choice（选择）：从预定义选项里选一个赢家，返回选项、各项概率和 confidence；3、Score（评分）：在有序量表上打分，返回分数、概率分布和 confidence，可有小数。四、工程要点（结论）1、每次外部动作后必须重建 state，决策要基于最新状态，而不是缓存；2、问题要原子化：一个判断一个问题，多个维度拆开问、在代码里组合；3、选项不完整时加 other / human 兜底，资格规则放代码里，让模型看不到不可能的动作；4、置信度是路由信号，不是正确性保证：内部标签 0.70 可直接自动处理，Agent 交接 0.80 重新评估，浏览器 / 工具动作 0.90 问人工，发布 / 支付 / 删除必须政策加人工；5、铁律：模型可以建议分支，代码决定分支能否执行 —— 绝不让概率绕过权限、预算或不可逆操作控制；6、记录完整概率分布而非只记赢家标签，执行后从外部系统验证效果。五、为什么快不生成文本 = 没有自回归解码，输出空间被提前限定，还能并行回答多个独立问题。一次调用同时问 13 个问题，比分开问 13 次快约 10 倍、便宜约 12 倍。定价：输入 0.042 美元 / 百万 token（约 0.28 元人民币），输出 token 免费；端到端延迟 70~500ms，多数约 100ms。六、RLCD：训练的是 "靠谱"Jev 的训练方法叫 RLCD（面向校准决策的强化学习）：不优化 "回答讨不讨人喜欢"，而是优化概率校准—— 模型说 90% 把握，一批判断里就该约 90% 是对的。校准过的概率，是企业敢让 AI 自动执行的信任基础。它宣称结构化输出 / 工具调用错误率 0%，这是结构性保证（输出被 schema 限定，不可能返回选项之外的值），但类型不错 ≠ 判断正确，它完全可能自信地选错。七、能干什么官方定位：分类、路由、评分、信息提取、业务流程分支，以及给 LLM 当裁判、护栏、越狱检测。社区实测已验证的结论：浏览器任务提速、写作质检数百次判断不到 1 秒、检索重排 Top-1 大幅提升、批量邮件 / 论文分类成本低至几美分。核心用法是 "快而准的粗筛 + 强模型精修"：不确定或高风险的分支升级给更强模型。没 Key 也能先开发：官方提供 System One Adapter，套在 OpenAI/Anthropic 兼容 API 上返回同样的类型化结果，先做完系统，拿到 Key 只换接口、重放样本、重新校准阈值。八、会翻车的地方1、类型化输出不防提示词注入：网页、邮件、工具输出都是不可信数据，要先过滤再喂给 Jev；2、置信度 ≠ 准确率：高后果动作必须有弃权分支和人工审批；3、"完成" 标签不作数：验证必须看文件、页面、数据库、回执等外部结果；4、Choice 不能当多标签用：多个条件可能同时为真时，用多个独立 Noul 再在代码里组合；5、精确计算、日期运算、自由写作、不可逆执行不要交给 Jev。九、争议与意义争议在于：它是否只是 "高级分类器"？区别是不用为每个任务重新训练、保留零样本泛化，但官方没公开论文、参数规模和训练数据，无法独立验证。它的产业意义更值得关注：Agent 内部大量路由、分类、验证步骤，其实不需要一段没人读的文字。未来更现实的架构是多层分工——Frontier 模型管复杂推理，Flash 管普通推理，决策模型管高频判断，确定性部分交给代码。Code computes. LLMs create. Jev decides. Fresh state proves the result.（代码负责计算，LLM 负责创造，Jev 负责决策，新状态负责证明结果。）真正值得跟踪的，不是它快多少倍，而是能覆盖多少原本必须交给前沿 LLM 的判断—— 当一次判断便宜到一美分以下，软件会在你从没想过的地方，塞满决策。申请：typesafe.ai#HOW I AI# #程序员#

2. ChatGPT 联合发明人创办的 TypeSafe AI 正式发布了一种全新类别的 AI 模型：“System One 模型”，以及该类别下的第一个模型 Jev。和现有的大语言模型不同，Jev 完全放弃了文本生成能力，专门为软件内部的快速决策而设计：输入非结构化数据，输出带有校准概率的类型安全结构化结果。简单说：Jev 不会写文章、不会聊天，但能以极低的成本和延迟，在代码里充当一个“智能判断函数”：分类、打分、路由、提取，这些原本用规则引擎硬写但又写不好的事情，现在可以交给它。创始人 Diogo Almeida 曾在 OpenAI 参与 InstructGPT 和 RLHF 的核心研发，是 ChatGPT 和 GPT-4 论文的共同作者。他在博客中描述：RLHF 让模型学会了取悦人类，却也让它们在自动化场景里不够可靠。于是他离开 OpenAI，潜行两年，用一套叫做 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）的新训练方法从头构建了 Jev。几个关键数字值得注意：响应速度 70 到 500 毫秒，比主流前沿大模型的 3 到 329 秒快了一到两个数量级。输入 Token 价格 0.042 美元/百万 Token（约 42 美元处理十亿 Token），输出 Token 免费。官方自称比同等智能水平的大模型快 20 到 200 倍，便宜 40 到 400 倍。这些数字的来源是 TypeSafe 自研的“工作流评测”（Workflow Evals），用 GPT-6 Astra 和 Anthropic 的 Fable 5.1 的平均结果作为参考答案。他们也承认，这种评测方式本身偏向 OpenAI 和 Anthropic 的模型，Jev 的实际相对表现可能被低估，但极端加速倍数（如 193 倍、444 倍）属于最优情况，不代表所有场景。速度为什么能这么快？因为架构上根本不同。大模型逐个生成 Token，前一个 Token 出来后才能算下一个。Jev 采用并行采样，所有输出一次算完。这和当年 Transformer 取代 RNN 是同一个思路：用并行取代串行。代价也很明确：Jev 不能生成文本。它输出的是事先定义好结构的决策结果，每个回答都附带置信度分数。官方宣称类型错误率从数学上等于零（因为输出结构在架构层面就被约束了），幻觉问题也因此不存在。对开发者来说，Jev 的定位不替代 ChatGPT 或 Claude 这类对话模型，主要是为了补上它们不擅长的那一环：当你需要在代码流程中嵌入一个 AI 判断节点，要求毫秒级响应、结构化输出、不能出格的时候，用大模型做这件事成本高、速度慢、还可能生成不可预期的内容。Jev 就是为这个场景设计的。TypeSafe 把这类任务叫做“智能 if 语句”，也就是用 AI 做原本 if-else 写不好的模糊判断。他们还做了两个有趣的演示：一个是用 Jev 实时操控经典游戏 DOOM 的 AI 机器人，每秒调用约 10 次，成本大约每小时 7 美元；另一个是 Wikipedia 竞速（从一个词条通过链接跳转到另一个指定词条），需要在成百上千个链接中做选择，Jev 在步数和速度上都领先于大模型的非推理模式。“System One”这个名字来自 Daniel Kahneman 的《思考，快与慢》中的“系统一”——快速、直觉、自动化的思维方式。“Jev”则取自经济学中的杰文斯悖论（Jevons Paradox）：当某种资源的使用效率大幅提高时，总需求反而会增长。TypeSafe 显然在押注：把 AI 决策的成本降到足够低，用量会爆发式增长。从博客和文档里提到的信息来看，Jev 的应用场景集中在一个核心逻辑上：凡是你在代码里需要一个“聪明的判断”，但又不需要它写一段话给人看的地方，都是它的地盘。具体来说有几类：第一类是流程中的智能分支。比如客服系统里判断一张工单应该转给哪个团队、紧急程度多高、用户情绪如何——这些原本要么靠关键词规则（太死板），要么靠大模型（太慢太贵）。Jev 可以在几十毫秒内给出带置信度的判断，而且输出格式固定，代码直接用。第二类是大规模数据处理。比如对海量文档做分类、打标签、提取结构化字段。大模型做这件事单条成本还行，但量一上去就很贵，而且速度是瓶颈。Jev 42 美元处理十亿 Token，输出还免费，适合需要跑几百万甚至上亿条数据的场景。第三类是实时应用。100 毫秒级别的响应意味着可以用在用户体感得到延迟的地方——实时推荐、动态定价、游戏 AI、交互式产品里的智能判断。博客里那个 DOOM 演示就是这个意思：每秒调用 10 次，大模型根本做不到。第四类比较有意思——给大模型当“质检员”。用 Jev 来检查大模型的输出是否安全、是否符合格式、有没有越狱，做 guardrail（安全护栏）。因为 Jev 本身不会幻觉、响应极快，很适合在大模型输出之后加一层校验。总结一下就是：Jev 不是给终端用户用的产品，是给开发者在系统架构里嵌入的组件。它解决的问题是“我需要 AI 的判断力，但不需要它的表达力”。Jev 目前以早期访问形式开放，开发者可以在 typesafe.ai 加入候补名单。宝玉xp的微博视频

3. 【Jev：让AI像“直觉”一样快且准的系统一模型】OpenAI前研究员Diogo Almeida创立的TypeSafe AI发布了新模型Jev，它不生成文本，而是专为软件自动化设计的“决策机器”。通过自研的RLCD训练方法和并行采样架构，Jev能将非结构化文本直接转化为类型安全的JSON决策，其推理速度比主流大模型快20-200倍，成本降低40-400倍，且输出端完全免费。这件事的重要性在于它打破了“万物皆可Chat”的路径依赖。开发者常困扰于大模型在自动化链路中的高延迟、易幻觉和解析报错，而Jev通过放弃生成长文本的自由，换取了绝对的类型安全和毫秒级响应。它更像是一个拥有大模型理解力、却运行在软件内层的“智能if-else”。开发者应该意识到，AI的未来不只是对话框，这种能无缝嵌入代码逻辑、提供确定性概率反馈的“系统一”模型，才是真正大规模替代传统业务逻辑、实现复杂自动化工作流的底层基础设施。

4. 这两天，如果说最火的大模型是什么，那可能只有一个名字。Jev。这个模型来自TypeSafe AI，创始人就是这个Diogo Almeida。（图1）这哥们以前在OpenAI，参与创造了RLHF和InstructGPT，也就是后来让GPT真正学会说人话、最终催生ChatGPT和GPT-4的那一套关键方法的大佬。然后他在2024年初选择离开了OpenAI，出去创业，在隐身了两年以后，终于掏出了自己的这个全新的模型，Jev。这玩意，可能是我近一年，看到的确实有一点不一样的东西。真的，他又激发了很多我对于AI的想象，相信我，这个Jev，跟你过去见到过的所有的大模型，都不一样。因为，这个模型只会做一件事，那就是：高频决策。没错，一个2026年9月推出的新模型，没办法跟你聊天，也没办法写代码，甚至连文字都没有办法生成。只会帮你进行决策和判断，是一个完完全全的通用分类器。（视频1，图1左滑查看）可能听起来还是有点玄乎，不过这两天X上有个案例，我觉得特别适合解释Jev到底是什么。开发者Marcel Pociot接入Jev做了一个浏览器插件。（图3）作用特别简单。就是这个浏览器背后接了Jev，然后用Jev帮你过滤X上那些你压根不想看的东西。比如你可以设定好，说我不想看故意引战骗回复的内容，或者说不想看加密货币和NFT，又或者不想看政治争论啥的，都可以。甚至你可以说：“把那些明显只是为了让我生气、让我回复、让我停下来吵架的内容都折叠掉。”然后，你就继续正常刷X。每出现一条新的帖子。Jev就在后台飞快地判断一次：这条东西，有没有命中刚才那些我们不想看的内容分类？有的话就直接折叠不显示了，没有命中的话，就正常展现出来。（图4）而这个判断的速度，平均只需要380毫秒。也就是在Jev看到帖子的一瞬间，输入帖子，然后完成判断进行输出，是否要折叠，这一切，只发生在380毫秒的时间里面。过去我们看大模型，如果遇到这种问题，你当然可以让大模型来去做判断，即使你开了JSON Output的话，它也会很慢，甚至如果开了思考的话，那就更慢，可能需要十几秒，甚至是几十秒才能完成一个判断。但我们其实根本不需要那么多的东西，我们只需要模型以最快的速度，给出Yes或No就可以了。我们根本不需要它生成任何的内容，它只需要来帮我们做判断。Jev干的就是这件事。这就是Jev最奇怪，也最性感的地方。我们过去看到的大模型，都在努力学习一件事情，也就是怎么更好地回答人类。Jev直接换了个方向，它想解决的是：如果最后真正需要这个答案的，其实只是一段代码呢？代码根本不需要你文采飞扬。也不需要你解释半天。它只想知道：要还是不要、A还是B、继续还是停止等等等等。它需要的，是一个能直接执行的判断。而且我其实说实话，不只是代码，这个世界中，即使对于我们人类来说，绝大多数的东西，本质上其实也都是决策判断。这件衣服你要不要买，遇到Boss了你是格挡还是闪避，Token用完了你是重置还是摆烂，要结婚了这个彩礼到底是给还是不给...太多太多了。很多时候，即使在我们的人生中，我们也根本不需要那么长篇大论的文字或分析，我们只需要一个决策，仅此而已。所以，Jev奔着这个目标一路狂奔，他们为了最好的完成决策，直接把生成文字给砍掉了。于是，速度快了20～200倍，近乎逼近实时，当Jev打游戏的话，一秒可以决策10次，并且成本低了40～400倍，0.042美元/百万Token，便宜到离谱（输出Token还是免费的，因为只输出一个决策，那个Token太少了，他们干脆免费了）。网上的大佬们已经玩疯了。比如，有人会用它，玩马里奥，因为马里奥本质上也就是按键判断。。。（图5）效果出奇的好。（视频2，图5左滑查看）有人用它操控浏览器查询航班，一共就花了7秒，全部点完，毕竟，浏览器操控，本质上也是判断决策。（图7）还有大佬用它搭了一个交易机器人，因为做交易，本质上也是决策，就是买或者卖而已。（图8）还有太多太多了。Jev这个百毫秒级响应+大批量判断，既有超级实用的场景，也有无数能拓想象力的场景。这就是他们给自己定义的模型类型，称为System One Model。System One这个名字，来自丹尼尔·卡尼曼那本特别有名的《思考，快与慢》。卡尼曼把人的思考粗暴地分成两种。系统1就是快思考，自动的、直觉的。比如我问你：1+2等于几？你总不会低头沉思三分钟，然后才给我报个3对吧。系统2，就是慢思考。需要一步一步分析的，比如做数学证明，写复杂代码啥的。现在的GPT、Claude，尤其是各种Reasoning Model，越来越像一套特别强的系统2了。而Jev赌的则是另外一边，因为他们觉得，这个世界上其实存在着海量根本不需要长篇推理的智能任务。所以他们重新做了一套模型架构、并行Sampler，还有一种自己叫做RLCD的训练方法。全称是Reinforcement Learning for Calibrated Decisions。大概可以翻译成：面向校准决策的强化学习。就像我们过去说，RLHF优化其实是人类更喜欢哪个回答。然后RLVR优化的是，这个答案能不能被验证，所以后面数学、代码之类的这两年直接旱地拔葱式的大跃进。而RLCD想优化的，就是这个决定到底对不对，而且模型嘴里说的“我有90%把握”，到底是不是真的接近90%。因为如果你真要把AI塞进一个自动化系统里，那概率必须是有意义的。比如，Jev给出来的置信度 > 0.90，那就可以自动执行。0.7 < 置信度 < 0.90，那就交给更强的大模型复核。置信度 < 0.7，那就交给人来决策。所以我觉得在Jev这条路线里面，最重要的词甚至不只是快和便宜，这个“校准”，才是真正的核心。当你接了Jev让它输出的时候，也可以看到，它的输出，是这样的。（图9）这就很爽了。而且最骚的是，所有的这些需要判断的问题可以一次性并行问。比如我扔进去一条AI新闻。我可以同时问：是不是AI相关？是不是广告？是不是融资？应该归到哪个分类？值不值得推给用户等等等等。Jev可以一口气把这些判断一起做掉，速度极快，直接起飞。（图10）这跟传统LLM一个一个Token往外生成，完全是两种思路。所以，这玩意本质上有点像：一个拥有世界知识和语义理解能力的超级if。目前可以在他们的官网上申请资格，应该挺快就能过。网址在此：网页链接（图11）不过如果你急着测试的话，也可以去一个集合平台vercel上用，他们已经首发接入Jev了。（图12）我自己也第一时间把AIHOT里面的一些任务判断，都用Jev测了一下。比如一个非常基础的预筛任务，就是每天几千上万条我监控的内容会被爬下来打分，负责精选的模型是一个稍微大一点贵一点的模型，这样才能保证世界知识充足，品味足够的好。但是如果我们把这几千上万条信息都扔给这个模型的话，很贵。那所以前面就用一个便宜的模型来做一道预筛，把跟AI没有关的内容全部先剔除掉，这样就能省很多钱了。所以这个预筛任务特别简单，就是只判断，当前信息跟AI是否相关。100道的测试题，我让GLM-5.3 Flash、DeepSeek V4.1 Flash、Qwen 3.7 Flash、Jev同时测试了一下。结果是这样的，还挺意外的。（图13）GLM 5.3 Flash是唯一一个全对的，但是也最慢和最贵。Jev目前看起来是最综合的，准确性第二+便宜很多，比DeepSeek V4.1 Flash在空闲阶段还要便宜，但是因为国内网络延迟的问题，所以Jev的耗时和反应速度被拉高了。Qwen 3.7 Flash依然是最便宜性价比最高的，甚至只有Jev的一半，但是精准率跟DeepSeek V4.1一样，差了点。在另一个同事件聚簇判定的任务上，Jev差不多也维持着第二准确，但这次因为内容量表较大，所以终于变成了速度最快的角色。（图14）而如果让它做一个更适合Jev的并行判断任务，比如一个新闻背后，同时有十个问题需要判断并且输出。那这时候，优势就出来了。（图15）最高的准确率，最快的速度，第二低的成本。在追求精度的分类和判断场景上，Jev就是目前性价比最高的解，Qwen 3.7 Flash便宜是便宜，但是一旦稍微大一点的活，这个正确率能被拉7个点，这就没法用了。而且这只是第一代模型，如果几个月后，Jev出到2.0，那我不敢想象，这玩意准确性能高到什么程度，速度又能快到什么程度，以及价格又能便宜到什么程度。Jev这个名字，脱胎于一个经济学里著名的东西。杰文斯悖论。他的提出者，就叫William Stanley Jevons。19世纪的时候，蒸汽机越来越高效，理论上来说，烧同样的煤，可以干更多的活，那人类是不是会因此少烧煤？结果刚好反过来，因为蒸汽机效率越来越高，使用煤变得越来越划算，所以，越来越多行业开始用。最后，整个社会的煤炭消费量反而上升了。效率提高，单次消耗下降，总消耗却暴涨，这就是杰文斯悖论。而TypeSafe给模型起这个名字。意思已经非常明显了，他们赌的就是，智能也会发生杰文斯悖论。我们现在用的模型越来越贵，价格越来越高。但我们日常中真的需要用到这么高智力的模型吗？是不是有大量的判断和决策，还有事情只需要一个Jev这样的模型，就可以了呢？但如果有一天，一次拥有相当不错语义理解能力的判断，便宜到接近不要钱的时候，这个世界又会发生什么呢？AI，为什么一定要生成东西？智能当然可以用来创造。那，也可以只用来判断。Jev确实可能代表着Agent时代另外一块特别重要的拼图。一个我们过去因为ChatGPT太成功。反而一直没有认真看过的方向。未来的轮廓。好像也逐渐清晰了起来。以上，既然看到这里了，如果觉得不错，随手点个赞、评论、转发三连吧，这对我们有特别大的帮助~谢谢你看我的文章，我们，下次再见。#How I Al##AI##数字生命卡兹克#

5. #Jev为什么爆火AI圈#最近AI圈被一个很特别的模型Jev刷屏了。这个模型是前OpenAI ChatGPT的核心人员出来做的，它的理念很有意思：要决策，不要字符串。咱们平时用的大模型，相当于人脑的“慢思考”，也就是系统二，聊天、写东西、复杂推理都很在行。但Jev走的是系统一快思考路线，它压根就不跟你聊天写作文，只干一件事：做选择题、打分、算概率。为什么开发者这么吃这一套：✅幻觉几乎没有，结果只能从你提前给的选项里出，不会瞎编，再也不用痛苦处理乱七八糟的JSON，省一大堆校验代码。✅性能数据很猛，部分任务比普通大模型最快能快193倍，成本直接砍到1/444，而且输出token还免费。✅延迟很低，70‑500毫秒就能出结果，适合大批量反复判断。✅对做Agent的人简直是救星：工具选哪个、消息归类、内容过滤、风险判断、流程分支，这些细碎的小判断交给它，大模型专心干复杂的规划就行。刚上线，Vercel上面13%的付费开发团队就直接用上了，Hacker News直接冲上榜首，LangChain、Cloudflare也很快适配支持。⚠️但别神话它，它也有短板：不能聊天，不会写文案，也没法跟你解释它为啥选这个答案。不是来干掉GPT、Claude的，二者是搭档：大模型负责深度动脑，Jev负责海量快速做决定。现在行业也开始反思，通往AGI不一定非要死磕“会说话”。很多真实业务场景，AI根本不需要输出长篇大论，稳定、便宜、快速把判断做对，就已经价值巨大。#热点跨界共创##老张聊科技# #Jev为何火爆AI圈#

6. OpenAI前研究员发布全新AI模型，绕开文本生成，响应速度快200倍

7. 告别字符串幻觉：TypeSafe 发布 System One 决策智能大模型 Jev

8. AI不一定要“聊天”，OpenAI前研究员研发只做决策的模型，绕开文本生成，响应速度快200倍

9. 前OpenAI研究员推出首款“System One”模型引爆AI圈：不生成文本，专为机器做快速决策

10. 新模型Jev发布：速度提升200倍，输出Token免费！

11. Almeida推出AI模型Jev，不生成文本、输出免费

12. TypeSafe推出不生成文本的模型Jev

13. System One模型与Jev

14. 2400万人围观，前OpenAI研究员做了个「闭嘴」模型

15. 这个只会做选择题的Jev，却是今年我看到的最特别的大模型。

16. 两年隐身，两小时被复现：Jev 模型到底值不值 4000 万美元？

17. 这个只会做选择题的Jev，却是今年我觉得最特别的大模型。

18. 聊一聊最近大火的Jev模型

19. Jev模型：又快又便宜，消灭幻觉，轻松打败顶流LLM

20. Jev爆火硅谷，哑巴AI卷疯14万开发者

21. Jev，Agent专用决策大脑。前OpenAI RLHF核心研究员，推出全新AI模型Jev。它放弃了大模型最核心的文字生成能力，不聊天、不写长文，只做结构化决策。提前设定候选选项，直接输出选择、打分与概率，不会自由编造内容。传统大模型一身多职：既要理解任务、生成文本，还要做分支判断。代价是成本高，还容易出现幻觉、输出格式错乱。 Jev把「决策」单独剥离出来，形成三层分工：通用大模型：处理复杂深度思考 Jev：承担海量、高频的分支判断代码编排器：落地执行动作决策和执行彻底分离，速度最高提升200倍，成本大幅下降，幻觉显著减少。它的价值，不在于写文案，而在Agent自动化流程里：判断信息可信度、选择调用工具、判定是否人工介入、确定下一步动作。这些反复出现的标准化判断，交给Jev，毫秒就能出结果。但它有明确边界： Jev无法独立完成完整任务，不能做开放式深度推理。它是系统组件，不是用来替代通用大模型。这也印证一个长期趋势：未来AI软件不会由单个巨型大模型包揽全部工作，而是拆解成大量Harness。轻量决策模型处理高频判断，大模型只专注少数复杂推理。分工，是AI规模化落地的核心前提。 #Jev模型 #Agent架构 #Harness #AI工程化 #大模型

22. ChatGPT发明人新模型不会写字，我扒了Jev的账单和评测

23. 前OpenAI研究员做了「不会聊天」的AI：Jev只做判断，最高快200倍

24. Jev 到底是什么？为什么 AI 自动化需要一种新的模型

25. 刷屏了！前OpenAI研究员做的Jev，大家为啥抢着用？

26. Jev模型究竟是个什么鬼？凭什么海外爆火？

27. Jev：高速低成本零幻觉决策模型 | Matthew Berman

28. 输出免费！前OpenAI 研究员发布全新模型

29. RLHF核心研究者发布新模型，称比LLM快200倍

30. Jev：可能永久改变自动化的模式安全AI - RepoChad - 中配

31. Jev模型是什么？TypeSafe AI 的结构化决策模型

32. Jev 模型技术解析：从生成式 AI 到决策智能

33. 7分钟解读Jev：一个不会聊天的模型却打开巨大想象空间

34. 一文了解 Jev 模型到底是啥

35. 「不会聊天」的AI可以怎么玩？开发者用Jev接管Agent快速决策

36. 前OpenAI研究员发布新模型「Jev」，Agent的新路线？ | 菜花睡前AI播客

37. Jev到底是什么？不是聊天大模型，而是专门给AI做“选择题”的决策模型！本地部署实测+开源项目盘点：模型路由、浏览器Agent、上下文压缩、Computer U

38. JEV 深度解析：首个为代码而生的 AI 模型

39. Jev 是什么？前 ChatGPT 共同发明者发布的超快决策模型

40. Jev大模型测评报告！究竟该怎么玩？

41. 看很多人在聊Jev，说是最近爆火的模型，可以用来快速指导浏览器、office、agent干活，我没太看懂，它不算是生成式大模型，倒有点像给ai用的ai。有人用Jev测试在Google Flights上用自然语言搜索机票，Jev花了7秒搞定，而且token成本不到3分钱。一般的浏览器agent 可能要耗费更多时间去处理表单、下拉框等，由于需要llm识别截图，token消耗也贵不少。我理解Jev有点像python里的if和switch语句，专门做决策用的，它有两种决策模式，Score按概率打分、Noul判断真假，然后返回置信度。比如操作浏览器查机票，它会给每一步动作交互打分和判断真假，决定要不要做、下一步怎么做。这样的好处是Jev处理任务的速度非常快，不需要像大模型那样思考后判断，直接把任务时间拉到毫秒级。至于决策的精确度，Jev靠的是RLCD，简单来说用强化学习让模型给出靠谱的决策，比如说这个邮件有80%概率是垃圾邮件，不要求每次都百分百准确，但会做到每次都靠谱。对应的大模型，它的核心机制是RLHF，考虑的是人类觉得这个回答好不好，要满足大部分人的需求和想法，总是输出“中位数”。这就是大家为什么觉得豆包、Gemini等ai会给出正确且安全的回答。所以我说Jev是给ai用的ai，它能在需要快速决策的场景中帮到大模型和agent，两者不冲突。 #ai# #大模型# #人工智能# #agent#

42. AI 快 193 倍便宜 444 倍？自家评测表里却只排第五｜TypeSafe Jev 实测拆解

43. 大模型输出费归零！TypeSafe首发决策模型Jev TypeSafe联手OpenRouter首发决策模型Jev：彻底抛弃逐字自回归，直接输出强类型布尔与打分，24秒筛选近400条新闻仅花一毛钱！老程序员客观复盘无长文代码能力的工程代价。以上内容为个人观点或见解，仅供参考。 #AI #大模型 #人工智能 #开源 #程序员

44. 超火大模型Jev，保姆级介绍和使用教程不能聊天、不能写代码，只负责帮你做选择的模型，有什么用？本期用通俗案例介绍决策型模型Jev，讲清它如何根据背景信息和问题，完成是非判断、选项选择和程度评分。通过模型路由、俄罗斯方块实测，以及广告识别、欺诈邮件判断、工具调用筛选等案例，看看这类模型如何与通用大模型配合，在工作流中承担判断任务，以及它在速度、成本和准确性上的表现与局限。 #vibecoding #jev

45. chatgpt联合创始人发布新模型jev

46. [中配]TypeSafe发布Jev：首个面向代码决策的AI模型，毫秒级响应与低成本解析

47. 一个视频搞懂Jev！

48. [中配]Jev模型解析：TypeSafe AI如何用概率分布挑战LLM在自动化领域的局限

不会说话的AI模型Jev爆火，36小时14万开发者排队，判断速度比大模型快200倍

精选参考来源