专题 · FULL STORY

TypeSafe 首秀：决策模型 Jev 发布与争议

前 ChatGPT 联合发明者创办的 TypeSafe 结束两年隐身，于 9 月 16 日发布首个 System One 模型 Jev 及新训练方法 RLCD。发布后社区迅速展开冷思考，指出 Jev 无法生成自由文本、并非通用 LLM，围绕其定位与对比方式的讨论随之升温。

2026-09-16 ~ 2026-09-17 · 2 集 · 54 条

第 1 集 · 前 ChatGPT 联合发明者推出决策型模型 Jev(2026-09-16,51 条)

9 月 16 日，新实验室 TypeSafe 结束约两年隐身，发布首个 System One 模型 Jev 与配套新训练方法 RLCD。创始人 Diogo Almeida（X 账号 @CompleteSkeptic）曾在 OpenAI 参与 ChatGPT 背后的指令遵循研究，多条转发帖以「ChatGPT 联合发明者」称呼他，但这一身份为自我表述。目前所有性能宣称均为发布方单方面说法，尚无独立评测，部分转发帖中已出现质疑与群嘲。

已确认

  • TypeSafe 发布了新模型 Jev 与新训练方法 RLCD。据 @rohanpaulai 介绍，Jev 是该公司首个 System One 模型，采用全新架构；据 @danshipper 转述，Diogo Almeida 是 InstructGPT 论文作者之一。
  • Jev 定位不是聊天模型，而是「决策智能」：用自然语言提问（包括模糊、主观的问题），返回 yes/no 或自定义类别的概率，以纯 API 形态提供，不做文本生成。据 @hardimanjames 转述举例，给客服工单问「这个客户听起来生气吗」，会返回 0.9 这样的概率，典型响应在 0.7 秒左右。@bindureddy 将其概括为一个能在多选项面前做智能决策的分类器，认为这类近乎免费的分类能力对任何 agent 平台都是很好的补充。
  • 据 @yogthinks 介绍，产品分工思路是让大模型处理难的推理任务，把路由、欺诈检测、内容审核、验证等海量小型决策交给 Jev 这类小模型。技术路线上不做逐 token 自回归生成，而是将非结构化状态并行输出为类型安全的概率决策。
  • 据 @Profanion 转述 The Register 报道，厂商宣称 Jev 幻觉率远低于传统大模型，输出成本也便宜得多；@HeyAmit 补充 RLCD 全称可理解为「强化学习从对比演示」，@jamesbrooksco 则转述为「可扩展决策导向的强化学习」，两种释义并存。
  • 发布方宣称的性能：比现有模型快 20-200 倍、便宜 40-400 倍，输出 token 免费，响应低于 500ms，并称不产生幻觉。@heyabusiddik 的转述给出输入定价为每百万 token $0.042。@soumitrashukla9 一则转述数字略有出入，称比 Fable 级判断快 25 倍、便宜 600 倍，并将 Jev 比作工作流中的「智能 if 语句」。
  • 发布方还展示了 Jev 实时玩《毁灭战士》的演示，以体现其低延迟决策能力（据 @alexcovoeth 转述）。

尚未确认

  • 上述速度、成本与「零幻觉」均为发布方单方面宣称，暂无系统性独立评测或基准验证。
  • 「ChatGPT 联合发明者」为创始人自我表述，多数转发帖使用「自称」措辞，@bennash 也明确标注未证实、可信度存疑；具体身份认定主要来自 @danshipper 的转述（InstructGPT 论文作者之一），尚未经独立核实。@mohbibi 转发中出现质疑声音，怀疑 Jev 实际上只是专用扩散模型；@karmay007 的转述也提到相关宣称遭到群嘲，暂无官方回应或佐证。

为什么重要

  • 若宣称的延迟与成本成立，Jev 可能显著降低在自动化流程中嵌入大量判断调用的门槛，直击当前 agent 工作流的成本痛点。
  • 「结构化概率输出而非生成文本」代表了一条与主流聊天模型不同的产品化路径，值得后续关注第三方评测、创始人身份信息与技术原理的进一步核实。

还有 31 条相关讨论 →

第 2 集 · Jev 分类器引发热议：快而省钱但非通用 LLM(2026-09-16,3 条)

TypeSafe 发布的 Jev 模型引发社区冷思考：它无法生成自由文本，更像一个「聪明的工具」而非通用 LLM，与其直接对比有误导性。有分析指出 Jev 用并行计算替代串行计算，推理快、成本低，适合分类任务；也有评论认为其真正价值在于把任意分类变成类型安全的可编程原语，成为通用的零样本决策模型。