
刷屏了!前OpenAI研究员做的Jev,大家为啥抢着用?(在新窗口打开)
前OpenAI研究员所在的TypeSafe AI于9月15日发布专门处理判断题的AI模型Jev,将其定义为System One Models,因在Agent评估、广告分析及浏览器操作等场景展现出的高速低成本能力而在开发者社区迅速走红,LangChain、OpenAI研究员Tibo等纷纷跟进关注。
共 11 篇

前OpenAI研究员所在的TypeSafe AI于9月15日发布专门处理判断题的AI模型Jev,将其定义为System One Models,因在Agent评估、广告分析及浏览器操作等场景展现出的高速低成本能力而在开发者社区迅速走红,LangChain、OpenAI研究员Tibo等纷纷跟进关注。

前OpenAI研究员、TypeSafe CEO Diogo Almeida在播客访谈中批评Codex和Claude Code仍停留在AI辅助人类的阶段,称"Jev出现前的AI世界是个悲剧",并推出采用RLCD训练的System 1模型Jev,旨在让代码直接可靠调用AI判断,实现每美元智能最优。

最近,一个叫Jev的新模型突然火了。 它来自TypeSafe AI。这支有OpenAI背景的团队没有继续卷生成和推理,而是换了个方向:让AI直接做判断。 他们甚至把口号直接写成:Decisions, not strings(要决策,不要文本)。 Jev的走红,也让“Decision”(决策)重新成为AI圈的热门词。 但如果把时间线往前拨几个月,会发现这条趋势并不是今天才出现。 在Jev受到关注之前,国内已经出现了一条“决策AI”路线。今年6月,中科闻歌(此前被部分媒体称为“决策大模型第一股”)发布了通用决策大模型Decitron决策机,尝试将世界模型、多智能体推演、博弈与求解纳入统一的决策框架

TypeSafe AI 开发的非大语言模型 Jev 正式向所有用户开放并赠送约 1.2 亿 Token 额度,该模型由前 OpenAI 研究员 Diogo Almeida 创立,可输出类型化结构决策,速度较同类大语言模型快 20 至 200 倍。

TypeSafe AI 与 Treg 展示面向招聘及商业研究的人员检索流程:Agent 调用数据工具,Jev 判断候选匹配度,再按需查找或验证工作邮箱。文中低价及相对 Clay 的降幅来自平台特定测试,邮箱查找、验证和履历补全分别计费;也有用户反馈检索结果不足。

近300万条语料、推理SDK一并放出。 AI行业正被一个叫Jev的模型搅动。 这款由TypeSafe AI发布的“系统一模型”,验证了一个此前被忽视的判断:意图理解这类高频、低延迟的任务,未必非要劳驾千亿参数的大模型“硬想”,专用模型同样能做到又快又准。一时间,决策层与生成层分离,成了AI Agent落地的热门话题。 但Jev留下了一个问题:判断出用户想做什么之后,谁来负责把事情交代清楚? 例如,用户说“把展厅东侧的灯调到80%、色温4000K,西侧调到30%、2700K,入口灯别动”。识别出“调节灯光”,只能算完成了第一步。系统还需要知道哪盏灯对应哪个亮度、哪种色温,以及哪盏灯必须保持原样。

TypeSafe AI完成8.7亿美元A轮融资,投后估值达75亿美元,由a16z领投,其可直接写入代码的决策模型Jev上线后迅速增长。

TypeSafe AI推出的Jev模型因直接输出决策与概率火爆出圈,其技术思路与NeurIPS 2025入选论文ConfTuner高度一致,后者通过Tokenized Brier Score直接训练候选置信度概率分布以实现概率校准。

当AI不再只会聊天。 TypeSafe在9月15日公开这款模型时,给它取了一个很大的名字,System One Model。 它不写回复,也不生成代码,只接收一段状态信息和一组问题,然后返回选择结果、分数或者概率。 上线没多久,社区里就出现两种截然不同的看法。 不少开发者直言,这个思路不算新鲜。给一段文字,配上几组备选答案,让模型挑最合适的选项,这类做法早就有人做过。 零样本分类就能完成类似任务,BERT类编码器也可以在固定标签里做判断,GLiNER和受约束解码还有别的实现方案。 Jev的架构、权重和训练细节又没有公开,因此很难仅凭产品发布就把底层方法认作技术突破。 第二种态度更偏向先用起来。

最近看到了一个挺有意思的东西,就是TypeSafe AI 做的 Jev。Reddit 上很多人用它玩 DOOM,也有人拿它玩 Mario。我申请之后,拿到 API Key 后,也做了一个网页小游戏,想看看它到底在里面起什么作用。一开始,我最想弄清楚的其实很简单:同样是让 AI 操作游戏,为什么要用 Jev?GPT 不能做吗?当然能。