你如果最近刷到 Jev，第一反应大概率是懵的——这模型连一句完整话都说不出来，却在上线几天内把 API 挤到排队。原因很简单：它压根不想说话，只想做判断。Jev 是 TypeSafe AI 推出的 System One 模型，专门把"是不是""选哪个""打几分"这类决策丢给程序直接消费，不写文章、不聊天、不生成代码。
不说话的模型，Jev 到底在做什么
普通大模型回答任何问题都得先攒一整段话，你再从里面把结论抠出来。Jev 反着来，它只接受三种输入原语：
你给它定义好 Schema，它输出的就是结构化的、带概率分布和置信度的结果——不用求它吐 JSON，也不用写代码去解析。官网那句 "no text generation, no parsing"，说的就是这个意思。
零幻觉也是这个意思的延伸：给它 A 和 B，它只能在两者之间选，不会凭空编出个 C。但选项之内选错了，它照样会错。
快在哪，省在哪
普通大模型不管答案多短，都得走一遍自回归解码，一个 token 一个 token 往外吐，这是延迟压不下去的根源。Jev 把生成这一步直接砍掉，底层只做一次前向传播——数学上是一次矩阵乘法的副产物。
延迟与实测数据一览
| | |
| | |
| | |
| | Matthew Berman 演示（40 秒拆完） |
耗时主要都砸在一次性的 Prefill 阶段，不存在长文本逐字解码的累加。
价格更狠：输入每百万 token 0.042 美元，输出免费——毕竟一次判断也吐不出几个字。
⚠️ 官网宣称的"193.6 倍更快、444.6 倍更省"是 TypeSafe 自己跑出来的数据，不是第三方独立测试，这一点得留个心眼。
多问题并行是另一个实用设计：长文本只做一次 Prefill，后面十几个离散问题共享同一份 KV Cache 前缀，各自只算少量 token 的注意力，多维度提取的耗时几乎等同于单次评估。
一个 OpenAI 老将，跟 RLHF 自己较上了劲
创始人 Diogo Almeida 参与过 OpenAI 的 InstructGPT 和早期 RLHF，某种程度上，ChatGPT 能"好好说人话"背后有他一份功劳。2024 年初他离开创业，隐身两年憋出了 Jev。
他演讲里抛过一个问题：
AI 都能做高等数学了，为什么企业不敢让它自己决定一笔退款给不给？
他的答案指向 RLHF 本身——训练时把人塞进了回路，模型学的是"人更喜欢哪个回答"，而不是"这个判断到底准不准"。所以 Jev 换了一套训练目标，叫 RLCD（校准决策强化学习），比的是模型报出去的置信度和最后应验的比率能不能对上。
说白了：别吹牛，说几成就是几成。
这个校准也不是没有代价的护城河。有开源项目用未校准的小模型直接截取 logits 做类似判断，一致性只有七成多，预测错了置信度照样能飙到 0.9 以上——这也是为什么"置信度门控"这套自动化拦截的玩法，必须建立在真正校准过的模型上，不是随便拿个开源小模型截 logits 就能凑合的。
真实场景里，它被拿去干了什么
① 游戏微操（最直观的演示）
在一次社区延迟演示里，Jev 12 秒里做了约 47 次操作决策（折算每秒近 4 次），同一时间几个主流大模型只做了两三次判断。50 局地铁跑酷同时开跑，全程费用不到 1 美分。
② 浏览器自动化
把网页可点击元素编号列成清单喂给它，让它挑下一步点哪个，7 秒能把整个流程点完；遇到需要打字的地方再叫一个生成模型补位。
③ 内容批量标注
有人把 37 个品牌 724 条广告文案，40 秒内按分类、评分、卖点打完标签，费用 9 美分——这种批量结构化打标的活儿，以前靠大模型跑一遍要贵得多、慢得多。
它的边界在哪
- 没有中间推理：单步前向决定了它没有思维链。面对需要多层因果推导的场景（比如识别伪装成正常邮件的高级钓鱼），支持思维链的模型判断得明显更准，Jev 容易漏判。
- 轻微的选项顺序敏感：独立测试显示，重排选项大约会让 4% 的决策结果改变、整体准确率下降 1.5 到 2 个百分点，但它并没有干净的首位/末位位置偏差，所以设计 Prompt 时更稳妥的做法是把关键依据放进共享上下文。
- 吃干净的结论，不吃噪音：往 state 里塞太多无关信息会干扰判断、拉低准确率。这个模型吃的是你写清楚的结论，不是自己去推——指望它从一堆噪音里自己拎出重点，会失望。
- 未开源：架构目前没有开源，外界只能靠逆向复现摸个大概，想本地部署暂时没门。
- 不是精度冠军：它也不是全场精度最高的判断类模型——性价比是它的卖点，不是精度冠军。
这件事有意思的地方不是又多了一个模型，是生成和判断第一次被拆成了两条产品线。以前 AI 每次出场都得先开口说话，现在有团队赌的是机器不需要开口——人不在场时，软件自己问，模型自己判，这或许也是Jev模型能爆火的原因之一。
AI 速览
