由ChatGPT早期核心贡献者、RLHF之父Diogo Almeida创立的TypeSafe AI，在闭关两年后发布了首款公开产品Jev。该模型不生成文本，仅接收非结构化输入或问题，返回带类型的概率决策，输出形式限定为bool、choice、score三类。官方数据显示，Jev比普通大语言模型快20至200倍，成本低近两个数量级，输出Token免费。
Jev的核心差异在于技术路线的选择。当前主流大模型厂商多聚焦于o1、DeepSeek-R1等深度推理模型，追求”慢思考”与长文本生成能力。Jev则反其道而行，仅执行决策判断任务。其技术支撑来自新的模型架构、并行采样器以及Diogo Almeida提出的”校准决策强化学习”方法。该方法被视为对RLHF的反思——RLHF让模型对齐人类偏好，但在复杂问题上容易”不懂装懂”；RLVR基于客观验证程序反馈，虽提升了正确性，却导致推理速度慢、算力消耗大。RLCD则要求模型输出”认知内的概率答案”，在70ms至500ms内完成结构化决策。
在System One封闭决策任务上，Jev的表现可与GPT-5.6 Terra相当。其适用场景包括医院分诊、快递分拣、海量数据处理及各类打分系统。Diogo Almeida认为，当智能决策成本下降两个数量级，将解锁大量企业自动化场景。
围绕Jev的争议主要集中在其创新程度与能力边界。知乎AI领域答主赵泠指出，Jev本质是更智能的if-else，与传统程序中的确定性条件判断不同，它通过概率分布模拟条件反射。由于不具备自由文本生成能力，且上下文窗口仅32k，Jev的定位被严格限定为”智能决策网关”——大模型负责理解与推理，Jev负责路由、审核、风险评分等判断子任务。赵泠同时指出，Jev宣称的”无幻觉”是重新定义了幻觉一词，它不会输出定义之外的内容，但这仅意味着格式正确，并不排除判断错误。
实测层面，小马智行架构师程墨将Jev引入自动驾驶决策场景进行测试。在设定”安全优先、遵守交规、尽快到达”规则后，Jev在不到一秒内给出”急刹车”选项，概率94％。当规则调整为”优先到达、其次交规、最后安全”时，Jev仍选择急刹，概率降至77％。即便设定”不管安全和交规，越快越好”，Jev依然选择急刹，概率回升至80％。这表明Jev存在一套优先于用户指令的默认规则，其行为模式更接近基于Transformer的大模型——先理解全部规则，再输出决策。
从工程视角看，Jev验证了将判别模型推向极致在Agent时代的潜在价值。其速度与成本优势以牺牲通用生成能力和部分准确率为代价，核心定位是”更快、更便宜、够用就行”的判断层组件，而非替代前沿大模型的通用推理能力。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
