ChatGPT发明人之一的新模型Jev火了：它为什么不生成自由文本？

「术语解构」系列

先说个你大概率遇到过、但没细想过的场景。

你搭过AI Agent，或者用过稍微复杂点的AI客服，应该见过这样的岔路口——这个问题该不该转人工，接下来该调哪个工具，要不要再问用户一句。在不少Agent实现里，每做一次这种小判断，背后都要完整调用一次大模型，相当于每次下楼取个快递，都把跑车发动一遍。

这一周开发者圈子里最受关注的新模型之一，叫Jev，正是冲着这件事来的。作为首批Jev用户之一的开发者Hassan El Mghari自报，他先用DeepSeek V4 Flash给1018篇论文写摘要，花了3.99美元，再让Jev从24个主题里为每篇论文分类，分类总费用是0.08美元。这个案例展示的是成本差异，不是准确率结论；他发布结果时仍在评估Jev的分类质量。

而Jev最反直觉的地方是在其官网TypeSafe.ai中把Jev描述为前沿AI模型，却不生成开放式文本。它不写回复、不写代码、不写摘要，只返回预先定义好的选择、分数和概率。TypeSafe把这类不生成文本、只做判断的模型单独归成一类，叫System One模型（系统一模型），Jev是其中第一个。这次出手的，是ChatGPT发明人之一Diogo Almeida。

它到底是什么

普通大模型你已经很熟了，工作方式大致是——你给一段文本，它一个token一个token地把回答生成出来，你的程序再去解析这段回答，然后决定下一步。

Jev把这条链子换了个形状，你给它一段状态（state）和几个封闭问题，它同时把这些问题都判断完，直接返回固定类型的结果和概率，你的代码拿到就能分支。

它只认三种问题。从有限选项里选一个（Choice），在一个有序标准上打分（Score），某件事成不成立（Noul，返回 0 到 1 的“成立概率”）。

举个具体的例子。把一条客服消息“Stripe连着三天连不上，我已经在丢订单了，赶紧处理”丢给它，你可以一次问它：该归哪个团队处理，用户有多不满，这条消息紧不紧急。它会返回类似“技术团队，置信度0.78”“不满但克制”“紧急概率接近1”这样的结果（数字为示意）。接下来由代码决定它进哪个队列、要不要提高优先级，Choice或Score置信度不够就转人工。

这里有条边界特别关键，值得你记住的是它只负责判断，行动全交给代码。 Jev不会替你发那条客服回复，不会退款，也不会去动你的业务数据。它更像一个特别聪明的“是非题机器”，而不是一个会替你干活的助理。

问题不新，新的是边界和成本结构

拆到底，Jev解决的问题并不新鲜。

你要在软件里做语义判断，过去有的是办法——关键词和正则、决策树、BERT分类器、检索里的reranker，或者为某个固定任务单独训练一个小模型。这些方法通常很快，输出也稳。麻烦在于，任务专用分类器换一套分类体系时，往往要重新准备标注数据、训练和部署。

后来大家开始让大模型直接返回JSON、调用工具，但底层仍然在逐token生成字符串，通常还要按输出token计费，延迟也会随着输出变长。结果拿回来后，程序仍要检查格式、字段和取值是否合法。

Jev的做法是放弃自由文本生成，只返回预先定义好的类型化结果。TypeSafe为它设计了并行采样方式，同一份状态上的多个问题可以一起评估，也不会返回schema之外的值。你可以把它理解成一个用自然语言描述规则的通用语义分类器，或者软件里那个终于能处理模糊语义的if语句。

顺便说两个名字的来历，因为它们暗含了这家公司的野心。System One这个名字，取自卡尼曼《思考，快与慢》里的系统一，也就是快速、直觉式的判断，对应的系统二才是慢的、多步推理的。模型名Jev则取自经济学家杰文斯，也就是杰文斯悖论里的那位。这个悖论后面还要用到，先按下不表。

为什么是现在，又是谁做的

过去一年多，很多团队都在搭Agent。读需求、决定下一步、调工具、看结果、再决定，这个循环里塞满了小判断。在不少实现中，每一步都要完整调用一次大模型，速度和成本很快就会累积起来。结构化输出和工具调用缓解了格式问题，但底层仍是文本生成。Jev想把判断这一步单独拿出来，做成一个更快、更便宜的零件。

模型背后是家叫TypeSafe AI的旧金山公司，2024年成立，隐身做了大约两年，2026年9月15日才带着4000万美元种子轮（DCVC领投）走出stealth，同一天放出Jev的早期访问。

三位创始人里最有话题度的是CEO Diogo Almeida。他本人自称是ChatGPT共同发明人，TypeSafe的融资通稿也沿用了这个身份。能由公开资料直接核实的是，他去OpenAI之前待过Google Brain，是InstructGPT论文的第四作者；OpenAI在GPT-4的贡献者名单里，也把他列在“RLHF与InstructGPT的基础工作”一栏。RLHF和InstructGPT，正是把预测下一个token的模型调成能听懂指令、能对话的ChatGPT的关键路径。

Almeida在研发Jev时的想法是，聊天模型已经这么强，为什么还没有带来他期待的自动化？他的判断是，用人类偏好训练出来的通用模型，适合与人交流，却不天然适合在软件里做又快又稳的机器判断。他对TechCrunch说，押注全部使用自造训练数据，是自己做过最好的决定，甚至比RLHF更好。这当然带着创始人的推销色彩，现阶段更适合作为他的技术判断来理解。

另外两位偏产品和落地。CTO Erik Gafni是连续创业者，做过用机器学习做DNA测序的Ravel，也在Invitae、Freenome两家独角兽当过早期员工；COO Sasha Sheng来自Meta的FAIR，做过News Feed和AI研究，在NeurIPS、ECCV上发过论文。题外话一句，Almeida本人还是个游戏狠人，北美英雄联盟进过前30，炉石排到过前2。

技术上目前能确认的不多。据TechCrunch对创始人的采访，Jev是transformer模型，只用合成数据训练；TypeSafe把训练方法称为RLCD，也就是面向校准决策的强化学习。完整架构和权重都没公开，所以还不能把它写成一个全新的、可复现的公开架构。发布初期需求一度超过API承载能力，说明它引发了很强的尝鲜兴趣，能不能变成长期生产需求还要继续看。官方给它的定性是“一次前沿智能的函数调用”。

数字要分三层看

这是我们这个号聊过很多次的老规矩——标称不等于实测（上一个案例见《GPT-6 Astra跑分那篇》）。只不过这次被标称的，是“零幻觉”和“快数百倍”。

第一层，能直接验证的产品规格。核查时的当前版本是jev-1.13.0，输入0.042美元每百万token，输出免费；单次请求总预算64K token，其中state加最长的那个问题不超过32K；只接收文本，图片和音频要先转成文字或结构化字段。这些数字来自当前官方文档，版本、价格和限额在发布前仍要再查一次。

第二层，厂商自评。被到处引用的“193.6倍快、444.6倍便宜”，来自TypeSafe自己设计的四个工作流评测，Vercel在自家changelog里也是按厂商数字转述。要小心的是，评测没有人工标注的标准答案，而是把GPT-6 Astra和Fable 5.1的平均预测当参照。TypeSafe自己也承认，这组倍数处在现实收益的高端。它只能说明Jev在这四个厂商工作流里显示出明显的速度和成本优势，不能当成所有任务的通用结论。

第三层，第三方开发者的零散实测。Vercel的工程师把一个原本用ChatGPT Luna 5.6跑的命令安全分类器换成Jev，报出来快了5到18倍、还更准；另一位Bryo AI的CTO拿它和Gemini比商业邮件分类，结论是Gemini略准一点，但Jev便宜10到20倍。这些只是特定任务上的小样本观察，推不出“Jev普遍更准”这种话。

还得单独把“零幻觉”这四个字拆开。TypeSafe把它用作一个很宽的宣传口径，本文只保留其中可以直接验证的部分：Jev不会吐出schema之外的值，不会突然生成一段格式错误的散文，也不会选择一个不存在的选项。但类型正确不等于判断正确，它完全可能把一张工单分错类、把风险评低，还给错答案配一个很高的概率。TypeSafe自己也列出了这些局限。想把“幻觉”这个词彻底掰扯清楚，可以翻我们之前那篇。

它能干什么，又不该干什么

最被看好的用法，是给AI Agent当一个廉价的调度器：决定下一步调哪个工具、交给哪个子Agent、要不要继续或重试，简单模型能不能处理，还是要升级到昂贵的推理模型。让一个大模型去决定要不要再调用一次大模型，很多时候并不划算，这类岔路口正适合用Jev试试。

往外延展，客服工单分流、RAG检索出来的片段该不该喂进昂贵的上下文、给大模型的输出做质检和护栏、把海量文本批量打成标签，都是它的舒适区。一次调用里那些互相独立的小问题，可以一股脑全问。

反过来，有些事千万别指望它。它不负责生成回复或代码，也不做精确计算、计数和金额核对。日期先后和时间差同样不适合交给它，因为在Jev眼里，日期只是一串文本，不是有序的量。多层间接推理、从无限答案空间里生成新答案，也不是它该干的。原则就一句：语义判断交给Jev，确定性计算留在代码里。至于把高风险审批完全自动交给它，现在更是不到时候。

它真正在赌的那件事

回到杰文斯。这位经济学家当年发现的悖论是蒸汽机烧煤的效率提高之后，英国烧的煤没有变少，反而更多了，因为用煤的门槛降了，到处都开始用。

TypeSafe押的就是同一件事，只不过资源换成了机器智能。如果一次判断的成本下降两个数量级，软件可能会在更多地方加入AI判断，最终调用总量反而继续上涨。

先算一笔边界清楚的小账。按当前0.042美元每百万输入token计算，如果每次判断平均输入1000个token，100万次纯Jev判断一共是10亿输入token，模型费约42美元。这里没有算网关、重试、低置信度时调用大模型、人工复核和误判返工；真实系统里，后面这些费用很可能才是大头。

杰文斯悖论关心的是下一步。省下来的预算未必会留在账上，它可能变成更多分类、更密的安全检查，以及过去因为太贵而没做的实时判断。单次调用变便宜，总调用量却会上升。

还有句冷静话得说在这儿。判断变得又快又便宜，也意味着系统能更快地复制同样的脆弱。真要大规模用，最好给自动化配个熔断预算：每小时最多自动执行多少次，多大金额必须人工确认，每周回看一遍低置信度的放行。速度本身不解决可靠性。

写在最后

Jev不太像ChatGPT的替代品。把它放进大模型系统里看，它更像那个一直缺位的角色——路由器、裁判、过滤器，以及保险丝。大模型继续负责创造、解释和复杂推理，Jev接住那些高频、封闭、要求低延迟的语义判断，剩下的计算、权限和最终执行，仍然归普通代码管。

但它毕竟才发布一周。现在能看到的几乎都是官方评测和发布周演示，长期稳定性、版本升级带来的答案漂移，以及真实业务里判断错了要付出多少代价，都还缺独立数据。TypeSafe也没有公布中文评测，只在模型页明确写明：英语是主要训练语言，当前准确率最好；包括中文在内的CJK文字可以处理，但效果并不等同。中文业务必须拿自己的数据测试。我的判断是，先选低风险、高频、答案封闭的任务做试点，别只凭“零幻觉、快数百倍”几个词就让它接管要紧的业务。

如果你正在做Agent或者工作流，今晚可以先干一件事：翻一翻你的代码，看看哪些“判断”其实根本不配用一个大模型。

觉得有用，点个在看；想追后面的更新，把号星标一下。也想听听你的：你会把哪个判断，交给这种只做决策、不生成自由文本的模型？ 评论区聊聊。

资料边界说明

本文信息按可信度分层，核查日期2026-09-21，具体数字发布前请再核一遍。

一手官方：TypeSafe发布博客、模型规格、Quick Start、Jev 1.13已知局限、团队页、创始人Diogo Almeida（@CompleteSkeptic）的发布长帖，以及TypeSafe融资通稿。

实现伙伴与工程博客：Vercel AI Gateway上线说明及其集成文档。

三方媒体：TechCrunch对Diogo Almeida的采访，以及Forbes、Dealroom、The Register、Arabian Post的相关报道。

社区与二手，均为作者自报、非独立复现：1018篇论文分类项目、dev.to实践教程、madewithjev、各demo开源仓库，以及推特上的一线演示。

需特别标注：193.6倍、444.6倍及“零幻觉”均为厂商口径；Vercel对比Luna 5.6、Bryo AI对比Gemini，以及1018篇论文的费用，都是开发者自报，样本和适用范围有限。文中100万次判断约42美元是按当前标价和每次1000输入token计算的模型费，不包含网关、重试、后续模型、人工与误判成本。