AI 前沿 · 新技术解读 · JEV,Next AI?

ChatGPT 联合发明人做了个「不会说话」的模型——放弃文本，只给类型安全的决策和校准的概率。

九月下半个月以来，AI 圈被一个「不说话」的模型刷了屏。

它不写文章、不聊天、不生成代码。你丢给它一段结构化的问题，它回你一串类型安全的决策，每个决策都带一个概率和置信度。有人叫它「闭嘴模型」，有人围观到 2400 万次，有人兴奋地说这是「下一代 AI」，也有人泼冷水说「这玩意儿大家早就见过」。

它就是 Jev，TypeSafe AI 的第一个「System One 模型」。

在满世界都在把模型做得更大、更会聊天的 2026 年，一家由 ChatGPT 联合发明人创办的公司，掉头走了一条相反的路——not chat（不做聊天）。这篇文章，我们把 Jev 拆开看：它是谁做的、它是什么、它凭什么敢说「Next AI」、以及这个「Next」到底成不成立。

一、谁做的：ChatGPT 联合发明人，潜行两年

先看人。做 Jev 的人，来头不一般。

TypeSafe AI 的创始人叫 Diogo Almeida（迪奥戈·阿尔梅达）。他是 ChatGPT 的联合发明人之一，在 OpenAI 时参与了 RLHF（人类反馈强化学习）和 InstructGPT 的研发——正是这套方法，最终演化出了 ChatGPT 和 GPT-4。再往前，他在 Google Brain。换句话说，今天几乎所有聊天模型身上流的「RLHF 血统」，有一份就来自他。而他现在要做的事，恰恰是「反 RLHF」。

2024 年前后，他离开 OpenAI，带着一个追问潜行两年：「模型在聊天这件事上早就超过人类了，可真正的自动化呢？都在哪？」。2026 年，TypeSafe AI 以 4000 万美元种子轮浮出水面，9 月 15 日发布了第一个公开模型 Jev。联合创始人还有 COO Sasha Sheng（前 Meta/FAIR 研究员）和 CTO Erik Gafni（连续创业者）。团队文化里有句话挺能说明立场：Build Prod, Not God（构建生产，不是构建上帝）。

二、Jev 是什么：一个「决策模型」，不是「语言模型」

Jev 最扎眼的一点，是它根本不生成文字。

它属于一个 TypeSafe 新造的分类——System One Model（系统一模型）。名字借用丹尼尔·卡尼曼《思考，快与慢》里的「系统一」：快速、直觉、不费力。现有的大模型更像「系统二」：慢、深思、逐字逐句。

两者差在哪？现有 LLM 优化的是人类偏好（RLHF），输出的是字符串——很自由，可以是回复、代码，也可以是幻觉、拒绝、甚至跑偏，软件要用得先解析再校验；Jev 优化的是校准决策（RLCD），输出的是类型安全的结构化值——结构预先定义，永远不犯类型错误，每个答案带校准的概率和置信度。采样方式也不同：LLM 顺序生成，一个 token 接一个；Jev 并行生成，所有输出一次性出。

一句话概括 Jev：它像一个大模型智商的「函数调用」——非结构化的状态进去，类型化的、带概率的决策出来。打个比方，LLM 像一个会聊天、会写文章、但偶尔胡说八道的聪明人；Jev 像一个只回答「是/否 + 几分把握」、从不出错的判断题机器。前者灵活，后者可靠。TypeSafe 赌的是：软件自动化真正缺的，是后者。

▲ System One 模型：三个特征

三、核心技术：RLCD，把「校准」当成训练目标

Jev 背后的三样东西：一个新架构、一个并行采样器、一个叫 RLCD 的训练方法。

RLCD 全称是 Reinforcement Learning for Calibrated Decisions——面向校准决策的强化学习。这是整个故事里最值得关注的一个词。

为什么要新发明一个训练方法？因为 RLHF 有个绕不开的毛病：它让模型学会了「讨好人类」，带来了三个副作用——模式坍缩（总给最安全的答案）、过度自信（估计把握总虚高）、缺乏可靠性（同样输入不敢保证同样输出）。共同后果是：LLM 没法被信任去独立做决定，永远需要一个人盯着（human-in-the-loop）。RLCD 要做的，是直接训练模型「给出真实、校准过的概率」——自信时敢说 95%，没把握就老实说 60%，让软件能据此决定「放手去干」还是「叫人看看」。

TypeSafe 那句「Decisions, not strings」（决策，而非字符串），落点就在这。RLCD 放弃了「生成」，换来了「校准」——这就是它敢喊「零幻觉」的底气：不生成文字，自然没有文字层面的胡编乱造；输出结构预先定义，自然没有类型错

▲ Jev 三件套：架构 + 采样 + 训练

四、它解决了什么：自动化卡住的那个点

Almeida 在博客里反复问一个问题：模型聊天早就超过人类了，可自动化去哪了？

他的答案指向一个被忽视的死角。过去几年，所有人都在卷「模型更聪明」，但聪明不等于「能自动化」。一个能考过律师考试的模型，你让它自动处理十万条客服工单，它可能：慢——一条回复要等 3 到 329 秒；贵——输入 token 每百万 0.2 到 10 美元，输出还贵 5 倍；不可靠——它能 95% 的时间做对，但从不说清那 5% 错在哪，所以你还是不敢放手。

Jev 要解决的，就是这个「聪明但不肯说『我不确定』」的信任缺口。它做的每件事——类型安全、校准概率、并行采样——都是冲着「让软件敢把决策交给它」去的。

用 TypeSafe 自己的话：LLM 为人类产文字，Jev 为机器产决策。前者需要人盯着，后者可以被代码组合起来，跑在无人值守的流水线上。

▲ RLHF 的三大毛病

五、快到离谱，便宜到离谱

Jev 的性能数字，是它刷屏的直接原因。

速度：端到端响应 70–500 毫秒，前沿 LLM 是 3–329 秒，换算下来是 40–200 倍。价格：输入 $0.042 每百万 token（$42 每十亿 token），输出免费——官方原话是「太便宜了，不值得计费」，比前沿模型低 238 倍。首页那句「193.6 倍更快、444.6 倍更便宜」，来自 TypeSafe 自己做的一组工作流评测：同样跑完一组 System One 任务，Jev 花了 $0.000081、0.114 秒，LLM 花了 $0.013880、8.566 秒。

在「每一美元买到多少智能」的图上，Jev 直接冲出了坐标轴之外，独占帕累托前沿将近两个数量级。

这些数字有多可信，我们后面单独说。但有一点是确定的：当一个模型快两个数量级、便宜两个数量级，它解锁的不是「更好的聊天」，而是一整批以前根本不敢想的应用场景。

▲ 性能对比：Jev vs 现有 LLM

▲ 决策流程：按置信度决定放手还是叫人

六、能拿来干什么：四个方向

第一，智能 if-else。分类、路由、打分、抽取、分支——这些手写逻辑太脆、大模型又太重的地方，Jev 的「类型化决策」可以直接插进软件，当成一条条「模糊决策规则」来用。外围代码框住了它的自由度，让它能拼进可靠的系统。

第二，Map-reduce 大数据。把 PB 级的数据转成特征和洞察。便宜到「输出免费」，意味着你可以拿它过海量数据，这在以前是成本上不可想象的。

第三，实时应用。100 毫秒的速度，让 AI 第一次能进 UX 敏感的场景——用户点了就得出结果，等不起三秒。

第四，验证一切。打分、判断、验证、护栏、检测大模型的 jailbreak（越狱）——用 Jev 去监督别的 LLM 的输出，这本身就是一个「确定性」去兜底「生成」的活儿。

▲ 四个用武之地

七、质疑：这真的是 Next AI 吗？

刷屏的同时，泼冷水的声音也不小。这些质疑，恰恰是判断「Next AI 成不成立」的关键。

第一，RLCD 算不算新东西？有开发者扒开看，说 Jev 干的事很多都挺熟：结构化输出、概率校准、蒸馏一个小模型——这些都不是全新的发明。DAMO 开发者矩阵的文章直说「RLCD 不是新东西」。知乎那篇 2400 万人围观的稿子，语气里也带着「大家早就见过」的意思。

第二，架构突破够不够硬？36氪的质疑很直接：TypeSafe 宣称的 parallel sampler 和 System One Model，目前缺少足够的技术细节，很难据此认定它完成了类似 Transformer、Attention、MoE 级别的基础架构突破。

第三，评测是谁做的？目前最完整的评测主要由 TypeSafe 自己完成。公司也承认：测试任务由自己的 model capabilities 团队设计，可能存在偏差；部分参考答案来自强模型生成，而非全部人工标注。

这些质疑不是来拆台的，它们是「Next AI」这个问号最诚实的注脚。Jev 到底是不是下一代 AI，取决于你问的是哪个「Next」：如果你问的是「比 GPT 更聪明的聊天」，那它不是，它连字都不会写；如果你问的是「能信、能用、能自动化的那一种 AI」，那它至少开了一扇新的门——这扇门后面，是确定性工程走到极致的模样。

八、回到那句话：确定性工程

我们聊过很多次「确定性工程」——AI 时代最稀缺的，是「生成结果可被信任」的确定性工程。OpenClaw 用它管安全，Archify 用它管成图，DSPy 用它管 prompt，OpenCodeReview 用它管评审……一路下来，都是在「约束生成」，让生成的结果变得可靠。

而 Jev，走了一条更极端的路：它干脆不做生成了。

不做文本、不做对话，只做「类型安全的决策 + 校准的概率」。这一下，幻觉、类型错误、输出跑偏，这些「生成」附带的顽疾，被从根上拿掉了。这是「确定性」最彻底的一次落地——不是把生成管好，而是把生成这件事本身，替换成了「决策」。

这也是 Jev 这个名字的含义。它致敬经济学家 William Stanley Jevons，那个著名的「杰文斯悖论」：蒸汽机效率提升，反而让煤炭需求暴增。TypeSafe 相信机器智能会走同样的路——智能的成本每下降一个数量级，就解锁一个数量级的新用例。当「做决策」这件事便宜到几乎免费、快到眨眼之间，那些以前被成本卡死的自动化，会像潮水一样涌出来。

JEV，Next AI？我的判断是：它未必是「下一个 GPT」，但它很可能是「AI 真正走进生产线」的那个开始。ChatGPT 教会了机器说话，Jev 想教会的，是机器闭嘴、判断、然后让人放心地把事交给它。这件事要成了，意义不亚于让模型再多考一门试。

▲ 确定性工程的极致：干脆不做生成

参考：TypeSafe AI 官网及博客、TechCrunch、36氪、DAMO 开发者矩阵、LangChain Blog、DataCamp 等对 Jev 的报道与评测

Jev 于 2026 年 9 月 15 日发布，目前处于 early access（早期访问）阶段