前 OpenAI 研究员推出决策模型 Jev：不生成文本，直接输出结构化判断

要点

• 2026-09-15 前 OpenAI 研究员 Diogo Almeida 创办的 TypeSafe AI 结束隐身状态，发布首款模型 Jev 与「System One Models」这一新模型类别。
• Jev 不生成文本。开发者传入一段状态与一组带类型的问题，模型返回选择、评分或概率，供程序直接用于分类、路由、审批或升级；不产出散文、代码或开放式字符串。
• 官方性能口径：端到端响应 70~500 毫秒，最高可比前沿 LLM 快近 200 倍、便宜 400 多倍；行业对 System One 的整体表述是「最高快 100 倍、便宜 100 倍」。
• 定价：输入 0.042 美元 / 百万 token（即 42 美元 / 十亿 token），输出 token 免费。TypeSafe 对比的参照是 GPT-5.6 Terra 的输入 2 美元、输出 12 美元 / 百万 token。
• 同期完成约 4000 万美元种子轮，由 DCVC 领投；创始团队为 Diogo Almeida、Erik Gafni、Sasha Sheng，公司 2024 年创立于旧金山。
• 训练方法 RLCD（Reinforcement Learning for Calibrated Decisions），采用并行采样器：单次提示可并行产出数百个输出，官方称增加问题数量几乎不影响延迟；当前选项基数上限 255。

背景与分析

一、Almeida 在反驳自己参与建立的范式

Diogo Almeida 在 OpenAI 期间参与了 2022 年的 InstructGPT 工作——那项工作把监督微调、人类偏好数据与 RLHF 组合起来，让 GPT-3 更能按人的意图作答，ChatGPT 沿用同一路线，OpenAI 在 GPT-4 贡献者名单中把他列入「Foundational RLHF and InstructGPT work」。

他现在的问题是：「模型在聊天上超人类已经好几年了，那自动化在哪儿？」

这个反问指向一个真实的结构性矛盾。RLHF 优化的目标是「生成让人满意的自然语言回复」，而生产软件需要的不是一段话，是一个可以被程序直接消费的判定。为了拿到这个判定，今天的做法通常是：让模型生成文本 → 要求它输出 JSON → 写解析器 → 写校验 → 处理解析失败重试。这条链路里有延迟、有成本、还有一类难以根除的失败：输出了合法 JSON 但字段值不在预期枚举内。

二、Jev 到底改了什么

官方给的类比是「前沿智能的函数调用：非结构化状态进，带类型的概率化决策出」。提供的原语包括 Choice（从选项集中选）、Score（打分）、Noul（另一种机器可读响应形式）。

一个官方示例场景：客服系统问 Jev「这笔账单投诉该由哪个部门处理」，Jev 返回的是 billing / 技术支持 / 销售三个选项各自的概率值，而不是一段解释文字。

三、「0% 幻觉」到底是什么意思

这是最容易被误读的一点，必须拆开说。

TypeSafe 宣称 Jev 能做到 0% 幻觉与 0% 类型错误，其含义是：输出被约束在类型化取值与概率之内，因此不会出现「凭空造出一个字段」或「类型不匹配」这类结构性错误。 官方自己也说得很清楚——模型仍然可能给出错误的判断。

换句话说：

• 保证的是：输出结构永远合法，可以直接进程序。
• 不保证的是：这个判断是对的。

这个区分对工程实践的意义很大：在依赖链深处的一个组件，如果它「偶尔返回格式错误」，整条链路都得写降级与重试；如果它「总是返回合法结构但偶尔选错」，你只需要把置信度阈值接上人工审核通道。后者的失败模式是可治理的，前者不是。

四、该保留的怀疑

• 所有性能数据均为厂商自建评测。官网演示中 Jev 用 0.114 秒完成任务，对比 GPT-5.6 Terra 的 8.566 秒——对比的 prompt、质量判定标准、任务集均未公开。
• 发布时没有任何独立第三方评测。
• 「快 200 倍 / 便宜 400 倍」与「快 100 倍 / 便宜 100 倍」两个口径并存，前者来自特定结构化工作流，后者是对 System One 类别的整体表述，不是同一个测量条件下的数字。
• Jev 目前仅对部分开发者开放早期访问（typesafe.ai 候补名单），未公开 GA 时间与 SLA。
• 选项基数上限 255 意味着它不适合超大标签空间的多分类任务。

对开发者的影响

• 先分清两类任务：需要「生成」的还是需要「判定」的。 分类、路由、审核通过与否、护栏检测、意图识别——这些今天用 LLM 做的判定任务，很可能是在为不必要的文本生成付费。把判定类任务单独拎出来做成本对比，是当下最容易拿到收益的优化。
• 置信度比「更好的模型」更值钱。 有了 calibrated confidence，你可以写「置信度 > 0.9 自动执行，否则转人工」这样的策略——这是把 AI 接进关键链路的前提。现有 LLM 也能让模型自评置信度，但校准质量无保证。
• Agent 的工具调用层是最直接的受益场景。 一次工具调用本质是「从一组动作里选一个」——正好是 Choice 原语。幻觉的工具调用参数是很典型的生产事故来源，结构化输出能消除这一类。参见 MCP 与 Agentic Coding。
• 不要急着替换。 Jev 是早期访问、无独立评测、无 SLA。建议以「影子模式」接入：让 Jev 与现有方案并行跑，只记录不生效，用真实流量验证后再切。
• 关注这条路线本身，而不只是这一家公司。 「为机器而非为人设计模型输出」是一个方向判断题——如果成立，今天大量为解析 LLM 输出而写的胶水代码会整层消失。

AI 之家 观点

1. 这是本周最值得记录的一条，不是因为 Jev 一定会赢，而是因为它问对了问题。 过去三年整个行业都在优化「模型怎么更好地跟人说话」，但绝大多数 AI 调用其实发生在软件内部，消费方是程序不是人。为程序生成的每一段自然语言都是纯粹的浪费。
2. Almeida 的身份让这条路线有了额外分量。 他是让模型「更会聊天」的那条路线的共同缔造者，现在由他来说「这条路对自动化是不够的」，比任何一个旁观者的批评都更有说服力。
3. 「0% 幻觉」是危险的表述，尽管它的技术含义是清晰的。 结构合法 ≠ 判断正确。厂商把「不会造字段」包装成「没有幻觉」，容易被下游误读成「不会出错」。正确用法是把置信度阈值当成一等公民，而不是把 0% 当成免检章。
4. 真正的价值主张可能不是快 200 倍，而是「可测试」。 一个输出空间受限、附带校准概率、延迟稳定的组件，是可以被纳入单元测试与 CI 门禁的——而这恰恰是今天 LLM 应用最难工程化的一环。参考 Claude Code 的 plugin eval 会看到同一个方向：把 AI 行为变成可测量的数字。
5. 短期不构成选型威胁，中期值得押注一个 POC。 无 GA、无第三方评测、早期访问——现在谈替代为时过早。但判定类任务占你 AI 账单的比例越高，这个 POC 的期望收益越大。 建议先统计一下：你的 LLM 调用里，有多少比例最终只取了一个枚举值或布尔值。

相关阅读

• 工具卡：Claude Code · Devin · Factory
• 本期相关：AI 编程周报 2026-09-17 · Gemini 3.8 Live 发布
• 概念：Agentic Coding · MCP · 上下文工程
• 往期资讯：AI 编程周报 2026-09-16 · DeepSeek V4.1-Flash 发布与 V4 Pro 路由切换

来源

• TypeSafe AI Emerges From Stealth With $40M in Funding With New Model for Composable AI — Business Wire（Morningstar）
• TypeSafe Jev: the frontier model built to kill chat — StartupHub
• AI 不一定要「聊天」，OpenAI 前研究员研发只做决策的模型 — 腾讯新闻
• TypeSafe AI Emerges From Stealth With $40 million in Seed Funding — Startup Researcher

待核实：全部性能与成本数字均为 TypeSafe 官方口径，发布时无独立第三方评测；本轮估值约 2 亿美元为媒体报道口径，未经官方确认；选项基数上限、GA 时间与 SLA 均可能随早期访问推进而变动。本资讯由 AI 之家 编辑部整理，非厂商付费内容。