TypeSafe推出Jev决策模型：以概率输出替代大段文本生成

9月15日，由前OpenAI研究员Diogo Almeida创立的TypeSafe AI发布了一类被称为“System One”的新模型Jev。与传统大语言模型逐字生成文本不同，Jev完全不输出自然语言，而是针对开发者预先定义好的有限选项，直接返回带校准概率的类型化决策。公司同时披露完成由DCVC领投的4000万美元种子轮融资，估值约2亿美元，发布帖一度登上Hacker News榜首并导致API短暂宕机。

Jev采用名为“校准决策强化学习”（RLCD）的专有训练方法，全部使用合成数据，而非抓取网页文本。它支持Choice（选择）、Score（评分）、Noul（布尔概率）三类问题，并可在一次请求中对同一状态并行处理多个问题，每个答案附带概率与置信度。TypeSafe公布的自测显示，端到端响应时间仅70至500毫秒，在特定决策任务上比前沿模型快数十倍，单次决策成本低至约0.00008美元。

速度优势迅速转化为落地。Vercel工程师用Jev替代ChatGPT Luna做命令安全审查，速度快5到18倍且准确率更高；Bryo AI在邮件分类中以更低的成本逼近Gemini的表现。开发者正把Jev当作轻量护栏，用于监控智能体轨迹、拦截越狱，并在不同下游模型之间做路由分发，把确定性的判断从昂贵的语言生成中剥离出来。

不过Jev也有明确边界。它不能聊天、写代码或解释理由，对中文等CJK短文本准确率偏低。独立评测还指出，其概率校准存在“模式寻求”倾向，会把过高概率压在单一区间，连续分布的校准仍是挑战。其名称取自19世纪经济学家杰文斯的“杰文斯悖论”——效率提升、成本下降后，对智能决策的总需求反而可能不降反升。