作为ChatGPT与RLHF技术的核心参与者、前OpenAI研究员迪奥戈·阿尔梅达（Diogo Almeida），在离开OpenAI后创办了TypeSafe AI。最近，该公司推出了备受关注的新型决策模型Jev。与目前主流的生成式大模型截然不同，Jev是一款完全不具备自由文本生成能力的AI，它不会聊天、不能写代码，也不会撰写文案。它的爆火源于其独特的定位——不负责“表达”，只专心做高频、低延迟的结构化“判断”。
阿尔梅达在研发Jev时对过去几年的AI发展路径进行了反思。他认为，基于人类反馈的强化学习（RLHF）虽然教出了善于表达、能够迎合人类偏好的聊天模型，但也让模型养成了“过度自信”和容易产生自由文本幻觉的习性，导致绝大多数应用必须依赖人类在回路中监管，无法实现真正的软件自动化。真正的自动化工作流往往运行在后台，不需要模型说一串长篇大楼的分析，而是需要机器以极高的可靠性和极低的成本，直接给出明确、可执行的决定。
基于这一理念，TypeSafe AI将Jev定义为“系统一模型”（System One Model），致敬了心理学中关于直觉、快速判断的“系统1”理论。Jev抛弃了传统的逐字自回归文本生成模式，改用并行采样机制。用户在使用时需要先提供一段上下文状态，并提前定义好封闭的问题与选项。Jev仅支持三种原语回答：从最多255个预设选项中选择一个、在给定刻度上打分，以及给出一个事件成立的概率。所有问题并行评估，一口气返回带有校准置信度的结构化结果。
在技术底层，Jev采用了面向校准决策的强化学习（RLCD）训练方法。与追求“人类喜好”的RLHF不同，RLCD的目标是让模型输出的置信度与实际正确率高度咬合，例如模型给出80%的把握，在统计意义上就代表该判断有八成概率是正确的。这种设计让程序可以设定明确的阈值：高把握的判断直接自动执行，中低把握的则交由人工或更强的大模型复核。此外，官方所宣称的“零幻觉”主要是指强类型输出安全，即模型在数学上绝不会跳出预设格式或拼错字段，但它依然存在选错具体选项的可能。
由于舍弃了文字生成，Jev表现出了极高的响应速度与极低的调用成本。官方数据显示，其端到端延迟在70至500毫秒之间，输入成本极低且输出Token永久免费。这种特性使其在AI Agent与自动化系统领域迅速落地。开发者将其作为程序中的“语义if语句”或系统的“反射神经”，用于微信客服意图识别与自动转人工分流、网页操作元素的快速点击选择、上下文无损压缩、代码审查以及为其他大模型的输出提供前置路由和后置安全质检。
尽管Jev在开发者社区反响热烈，但它的能力边界同样十分清晰。Jev无法进行长链路复杂推理、开放式创作或编写程序，也不直接具备视觉感知能力，需要先通过DOM解析或OCR等工具将环境转化为文本状态。此外，该模型目前在中文等非英文短文本上的表现相对偏弱，面对极复杂的现实非沙盒网页时也会面临挑战。
Jev的出现反映了AI行业从“全能单体”向“分工协作”转变的趋势。未来的软件架构或许不再依赖单一的大模型处理所有步骤，而是由通用大模型负责复杂的规划与文本生成，而像Jev这样快速、便宜且结构化极强的决策模型，则藏在底层处理海量的小判断，共同推动自动化系统的真实落地。
