ChatGPT 联创的新公司放出"不写一个字"的 AI：Jev 模型只下判断、不聊天

9月15日，TypeSafe AI 官方博客宣布，公司隐身两年后放出第一代"系统1模型"（System One Model）Jev；9月18日，Jev 开放了早期试用（early access）。这家公司由 Diogo Almeida 创立——他出身 OpenAI，参与过让语言模型"听懂指令"的方法研究，媒体常称他为 ChatGPT 的联创之一。

TechCrunch（9月18日）、The Register（9月16日）、LangChain、DataCamp 等多家媒体在随后两天给出了口径一致的报道。这篇基于多家媒体转述整理，带你看看这个"不生成文字的 AI"到底是什么。

Jev 是个什么模型？

先说和常见大模型最大的区别：Jev 不逐词生成文本。官方把它定位成一句"frontier-intelligence function call"（前沿智能函数调用）：你给它一块非结构化的状态和一组类型化的问题，它返回带概率的结构化决策——而不是自由发挥写一段话。

举个官方博客里的例子：你问"这个客户投诉应该转给哪个部门"，Jev 可能返回：

• {"billing": 0.8, "returns": 0.15, "fraud": 0.05}——客服分派给哪个部门，直接带概率；
• 它官方宣称"不会幻觉"：因为不自由生成文本，只有校准过的概率选项，答不出来的时候概率本身就会"低"。

媒体常用的类比是：LLM 像"写邮件的人"，Jev 像一条语义化的 if 语句。官方博客称，Jev 在"决策类"任务上的智能接近现有 LLM，但速度约快两个数量级。

技术上做了什么

TypeSafe 称 Jev 用了三套新东西（基于官方博客与媒体转述）：

• 新模型架构：非自回归，不做字符串生成，专为结构化输出设计；
• 并行采样器：为效率最大化设计，这是它"快两个数量级"的主要来源；
• RLCD 训练法（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）：替代常见的 RLHF/RLVR，优化目标从"人类偏好/可验证奖励"换成"校准的决策概率"。

价格方面，ThursdAI 等渠道报道称早期访问阶段约为 $42/10亿输入 token、输出 token 免费（具体以官方 console 为准）。

对 Agent 和自动化意味着什么

这是 Jev 最实际的价值点。一个 AI Agent 工作流里，"判断"和"生成"是两类不同的活儿：写文案、写代码需要生成；而"这个分支走 A 还是 B、这个风险有多高"本质是决策。过去这些决策节点也要调一次大模型，又慢又贵。

把判断型节点换成 Jev 这类模型，理论上能同时砍掉延迟和成本，LangChain 已经专门写了"用 Jev 搭 agent harness"的实践文章。官方博客还展示了模型玩 Doom、做客服分派等演示。

但要有保留地看：架构不公开，外部观察者（TechCrunch 引述）怀疑 Jev 是建在开源 LLM 之上；它目前处于 early access，基准和稳定性还缺乏第三方验证；"系统1模型"是个新造词，目前只有 TypeSafe 一家这么做，生态还很小。

总结

Jev 不解决"让 AI 更会聊天"的问题，它解决的是"让软件里的每个决策又快又稳"的问题。对做 RPA、Agent 工作流、或需要可靠决策节点（而不是聊天框）的工程师来说，这是值得等 GA 后试用的方向；"能否彻底替代 LLM"目前答案是否定的——它接管的是决策层，不是生成层。