TypeSafe AI 发布决策模型 Jev：不写文字，只做判断

TypeSafe AI 于近期正式发布 AI 模型 Jev，主打「判断而非生成」：模型只输出结构化的选择、评分或布尔概率，不返回任何自然语言文本。这是该公司自 2024 年成立以来的首个公开产品。Jev 创始人迪奥戈·阿尔梅达（Diogo Almeida）曾参与 OpenAI InstructGPT 与 RLHF 论文工作，同期披露公司已完成 4000 万美元种子轮融资，由 DCVC 领投，估值约 2 亿美元。

模型能力与定价

Jev 的核心设计是砍掉文本生成能力，将输出空间约束在调用方预先定义的枚举范围内。官方文档列出三种原生输出类型：

Choice：从调用方给定的选项中选一个；
Score：将输入映射为有序等级；
Noul：返回「是/否」概率值。

每个答案附带 0 到 1 的置信度。官方披露的性能指标为：端到端延迟 70 至 500 毫秒，在特定工作流中比传统大模型快 20 至 200 倍、成本低 40 至 400 倍。定价方面，每百万输入 Token 仅 0.042 美元，输出 Token 免费。

训练范式 RLCD

Jev 采用一种名为 RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）的训练方法。与优化人类偏好的 RLHF、面向可验证数理题的 RLVR 不同，RLCD 的优化目标是让模型输出的置信度与实际准确率尽量一致，便于下游系统按阈值自动执行、复核或转人工。阿尔梅达认为，RLHF 是 AI 走向「讨好型助手」路径的根源，他主张下一代基础设施应是「可编程的认知内核」，而非拟人化聊天界面。

上线后的采用情况

根据 TypeSafe 公布的数据，Jev 上线后在外网获得约 3500 万次曝光，在 Vercel AI Gateway 平台 24 小时内被近 13% 的付费团队采用，被官方称为该平台历史最快纪录；围绕 Jev 的开源项目两天内增至 600 余个。第三方开发者分享的用例包括：X 平台引战内容过滤、《地铁跑酷》多局并发决策、大批量数据清洗（13 分钟处理三个月积压数据，账单 32 美分）等。

局限与待验证之处

需指出，当前公开数据主要来自 TypeSafe 自有评估，尚未见独立第三方基准验证；RLCD 的训练细节未公开发表；官方强调的「零幻觉」仅指输出格式严格遵循预定义 schema，并不保证判断结果永远正确。生产环境中的准确率、置信度校准稳定性、高并发延迟等指标，仍有待更多实战数据检验。此外，Jev 创始人公开表态「下一个时代不是 Claude Code 时代」，将自身定位为对主流编程 Agent 范式的挑战，但这一判断目前仍属厂商立场。