专题 · FULL STORY

Jev 决策模型：不生成文本，三天席卷社区

前 OpenAI 研究员 Diogo Almeida 隐身两年后创立 TypeSafe AI，发布不生成文本、只做结构化判断的「系统一」决策模型 Jev，宣称快 200 倍。模型开放后迅速走红，工具调用表现突出，三天内被大量 Agent 采用，社区同时展开对其定位的激烈争论。

2026-09-20 ~ 2026-09-25 · 11 集 · 84 条

第 1 集 · 独立研究者称 Jev 非突破：一年前已开源同款非自回归决策模型(2026-09-20,6 条)

ConvAI Innovations 创始人 Nandakishor Mukkunnoth 于 9 月 20 日前后发文，质疑前沿公司 TypeSafe AI（由 ChatGPT 联合发明人 Diogo Almeida 创立）今年 9 月发布的非自回归快速决策引擎 Jev 被宣传为“突破”，称自己早在一年前就做出了同类工作并全部开源，多位博主随后转发讨论。

已确认

  • 据 Mukkunnoth 自述，他于 2025 年 3 月发表了关于非自回归决策模型的 arXiv 论文（arXiv:2503.23303），随后又发布第二篇论文（arXiv:2510.01237），涉及强化学习引导的相关方法
  • 他在 Hugging Face 开源了模型权重与 SaaS 销售对话数据集，并发布了 PyPI 包，供他人使用和复现
  • 他认为 TypeSafe AI 的 Jev 与其工作属同一概念，却被前沿实验室的发布声势抢尽风头并被冠以“突破”之名

尚未确认

  • Jev 与 Mukkunnoth 模型在技术细节上的实际相似程度，目前仅有 Mukkunnoth 一方陈述，TypeSafe AI 方面未见公开回应
  • 帖子材料未提供 Jev 发布的具体日期与官方宣传原文

为什么重要

  • 事件再度引发对“前沿实验室 vs 独立研究者”成果归属与传播不对等的讨论：同样的非自回归决策模型概念，独立研究者发布时声量有限，知名实验室发布即被称为突破
  • Mukkunnoth 已开源论文、权重、数据集与 PyPI 包，为外界独立验证两者异同提供了可查证依据

第 2 集 · ianand 思想实验：假如 AI 走了 Encoder 路线(2026-09-20,9 条)

9 月 20 日，ianand 发布长线程式思想实验，构想「来自平行宇宙的 AI 模型 Jev」，借此回顾 Transformer 的 encoder/decoder 路线分化，并探讨另一种可能的 AI 产品形态。他强调 Jev 并非真实产品或研究，而是一次反事实推演，核心结论是：Jev 是开发者工具箱的补充而非 ChatGPT 的替代品。

已确认

  • 历史背景：2017 年的 Transformer 最初只做一件事——把英语翻译成法语，由 Encoder（分析文本）和 Decoder（产出输出）两部分组成，这是路线分化的起点。
  • 我们这条宇宙的关键节点：GPT-2 只取 Transformer 的 decoder 一半，证明了「真正需要的只是」四件事——decoder 本身、单一模型处理多任务、用 prompting 替代任务微调（ianand 认为这是最大的解锁）、以及规模。这些突破催生了今天的 ChatGPT、Claude、Gemini。
  • 思想实验设定：在 Jev 来自的平行宇宙里，没有 GPT-2 时刻，同样的技术与产品创新全部倾注到 Encoder 一侧，由此诞生了 Jev。那里的 AI 更快、更可预测、更可靠，但不是生成式的——不能写代码或聊天，只能用于做决策，与我们宇宙中更具创造性和开放性的生成式 AI 形成对比。
  • ianand 形容 Jev 相当于给 Encoder 配上了与 ChatGPT 同等水准的产品形态；他强调 Jev 不是 ChatGPT 的严格替代品，而是开发者工具箱里的另一种工具。

尚未确认

  • ianand 自己承认，我们并不知道 Jev 底层是不是真正的 Encoder；而且 Decoder 的自监督训练更容易 scale，也许人类注定先造出 ChatGPT。整个 Jev 设定属于虚构推演，并非真实产品或研究。

为什么重要

  • 该线程提供了一种理解当前 AI 格局的视角：今天的对话式生成 AI 并非唯一可能路径，而是 decoder 路线与 prompting、规模化共同作用的结果；用「如果历史走另一条路」的反事实推演，有助于区分哪些突破是本质性的、哪些是路径依赖。

第 3 集 · 前 OpenAI 员工称 RLHF 是弯路，人机协作时代将终结(2026-09-20,3 条)

Jev 创始人、前 OpenAI 员工 Diogo Almeida 约 two months 前的一场 36 分钟演讲近日被广泛转发。他提出核心论点：迄今所有大模型都为 human-in-the-loop 设计，RLHF 把模型训练成取悦、辅助人类而非独立完成任务，是 LLM 通往自动化的史诗级弯路；Claude Code、Codex 等工具属于正在终结的「辅助时代」。Jev 从一开始就瞄准自动化，Almeida 宣称其方案快 200 倍、省 400 倍。

第 4 集 · 前OpenAI研究员发布决策模型Jev，宣称快200倍引热议(2026-09-21,36 条)

前OpenAI研究员Diogo Almeida隐身两年后创立TypeSafe AI，于9月15日走出stealth并发布「System One」模型Jev，同时公布DCVC领投的4000万美元融资（估值约2亿美元）。Jev不做对话、不生成文本：输入非结构化状态与一组类型化问题，单次并行返回带概率分布与置信度的结构化答案，官方宣称比LLM快20-200倍、便宜40-400倍且无幻觉，当前免费开放。发布数日即在X上引发大量讨论与落地演示，但关键性能宣称尚待独立验证。

已确认

  • Jev提供三种原语：Noul（是/否命题概率0-1）、Choice（最多255选项的分布+置信度）、Score（按评分细则打分），无需解析散文式输出，定位是替代「向聊天模型要决策再解析回代码可分支结构」的传统做法。
  • 创始人Diogo Almeida曾参与InstructGPT与ChatGPT时代的指令遵循/RLHF工作，发布数天后即上线Latent Space播客对谈，核心主张是下一波AI不是聊天而是「System One Mode」；Fireship也做了面向大众的介绍视频。
  • 已有多个落地演示：浏览器agent整任务成本约十分之一美分、交易机器人每300毫秒做一次买卖判断、18美分分拣1700封邮件、Higgsfield用它挑选广告素材，还有玩家用它跑《毁灭战士》《我的世界》与LLM评审等，共10个演示案例（svenai、FinanceYF5等汇总）。
  • Simon Willison更认同Maggie Appleton的命名「决策模型」，社区也有文章（如《Jev wasn't built to make Agents》）澄清它并非为通用agent设计；另有帖子（如fsharpman转述的用例）提到它可按任务难度自动选择Haiku或更强模型，以最便宜模型完成任务。
  • Google研究者Frank Dellaert撰文探讨Jev与图形模型结合的潜力，认为其返回可能结果概率分布的能力或带来不确定性推理的范式转变。

尚未确认

  • 「快20-200倍、便宜40-400倍、永不幻觉」等性能宣称来自官方，prakersh转述的拆解文章对「永不幻觉」与校准指标做逐条质疑，独立验证结果尚未形成共识。
  • 多条帖子称Diogo Almeida为「ChatGPT联合发明者/创造者」，这一身份来自其自述，未经独立核实。

为什么重要

  • 多位作者（如Akshay等转述的解读文章）指出当前AI圈把LLM当锤子，简单决策也丢给大模型；Jev代表「为机器决策而非人类对话而生」的新模型类别，若宣称成立，可能显著降低agent与软件内高频决策的成本与延迟，被pkiv称为「快速、廉价browser agent的最大解锁之一」。

还有 16 条相关讨论 →

第 5 集 · Jev 决策模型实测：200 毫秒返回带概率答案(2026-09-21,2 条)

Cole Medin 介绍并实测了全新类型的 AI 模型 Jev：它不生成文本，只接收状态和一组带类型的输入问题，用户可定义问题和候选答案（选项、是非、评分），模型在约 200 毫秒内以极低成本直接返回带各选项概率的类型化决策结果，省去解析文本的成本。

第 6 集 · 语义决策模型 Jev 全面开放，开发者称热度堪比 GPT-3.5 发布周(2026-09-21,2 条)

TypeSafe AI 推出的 Jev 近期在开发者圈爆火，并已取消等候名单、向所有人开放。它是一个完全没有文本生成能力的「系统一」语义决策引擎：输入状态与问题，直接输出强类型选项和置信概率，号称比传统方案快 200 倍、成本降低 400 倍。博主 PrajwalTomar 实测一天后称体验「像 GPT-3.5 发布周」，大家都在疯狂构建，生态移动极快。

第 7 集 · Jev 模型评测：工具调用强，推理检索偏弱(2026-09-22,2 条)

multimodalart 分享了模型 Jev 在一个较难基准上的表现：其工具调用与自动化类任务表现尤其出色，知识型问题可答到研究生水平，Python 函数选择和模型路由也表现突出；但推理与检索能力仍然较弱。整体来看，Jev 呈现出明显的强项与短板并存的画像。

第 8 集 · Jev 模型定位引热议：推理与决策应分层(2026-09-23,4 条)

社区围绕「Jev」这一只输出结构化判断、不生成文本的模型展开热议。支持者认为它并非更快的 LLM 替代品，而是介于确定性软件与开放式生成之间的「缺失一层」，适合 agent 中的门控、路由、分类等决策任务，主张推理归 LLM、决策另建专用层，堪称范式转变。也有用户澄清三大误解：Jev 类型安全但不具确定性，仍会概率性地选错选项，「不会幻觉」不等于不会出错。

第 9 集 · 决策模型 Jev 走红：几分钱一次判断，被指比 DeepSeek 更值得警惕(2026-09-23,3 条)

OpenAI 背景团队 TypeSafeAI 的新模型 Jev 凭借「Decisions, not strings」理念走红。它不能聊天、写代码或看图，只做单选、打分、是/否判断并输出校准过的概率，答案空间固定所以快且便宜。有观点认为它与中国的 Decitron 路线不同，且若市场把 DeepSeek 视为威胁，更应警惕面向所有开发者、API 即用、几分钱一次决策的 Jev——智能体不缺发动机，缺判断件。

第 10 集 · 前OpenAI研究员推出非文本「系统一」模型Jev(2026-09-23,12 条)

前OpenAI研究员、InstructGPT共同作者Diogo Almeida联合创立的TypeSafe AI结束两年隐身，发布专有「系统一」模型Jev（早期访问阶段），并附带DCVC领投的4000万美元种子轮融资。与生成自然语言的LLM相反，Jev不输出文本：给它状态和类型化问题，它只从schema返回答案，输出选择题式判断、评分或带概率估计与置信度分数的类型化数值，公司称之为「System One Models」新品类，直接供其他软件消费。

已确认

  • 响应时间70～500毫秒，输入每百万token价格0.042美元，输出免费；据快鲤鱼报道最快比大模型快193倍，单次决策成本约0.0004美元级别。
  • 创始人Diogo Almeida自称参与发明ChatGPT（AxSaucedo等帖称其为RLHF共同发明人），称花两年研究另一种训练方法。
  • Reddit用户科普帖（techtechnical转述）指出Jev采用RLCD（基于批评的强化学习）做校准决策，区别于标准训练方法，「System One」名称借自心理学快慢思维概念。
  • 据快鲤鱼转述，发布24小时内吸引13%付费团队。
  • 一位实测用户（PrajwalTomar转述帖中的作者）将468条推文的阅读数据隐藏后喂给Jev做预测验证。
  • Dhravya Shah（julianweisser、blaizedsouza转发其文章）认为Jev正在改变AI记忆与上下文工程的实现方式，梳理了各类记忆方案并附多组benchmark，称其已被用于computer use、browser use、数据标注等领域。

尚未确认

  • 「快193倍」「24小时13%付费团队」等数字均来自快鲤鱼等转述，具体对比基准与统计口径未见一手披露；RLCD等训练细节也来自社区科普帖，未见官方完整披露。

为什么重要

  • Jev被定位为LLM之外的新原语：不能写文章、不能自我解释、几乎不会幻觉，适合agent运行中海量快速、廉价、可校准的有界决策（hardimanjames转发文指出agent大量时间消耗在小决策而非「推理」上），而非对话应用。
  • danielmac8等多位作者认为其速度与价格使其可作为被其他系统大规模调用的判断组件，是对当前「以文本为中心」AI范式的一种反向探索。

第 11 集 · Jev 决策模型三天爆红，开源生态迅速成型(2026-09-24,5 条)

TypeSafe AI 发布的 Jev 决策模型在三天内即被大量采用，被社区称为 AI 史上采用速度最快的模型，围绕它迅速涌现一批极低成本的开源实用 Agent 项目，多位开发者和资深工程师也发布了拆解与实践文章。

已确认

  • Jev 定位为「System One」决策模型：输入非结构化状态，输出带概率的类型化决策，不生成文本，推理速度达毫秒级。这一描述来自 Victor Dibia（@vykthur）的长文拆解，他基于官方资料与一手实验（含用 Qwen 亲手复现）得出。
  • 发布三天内社区已出现多个开源项目，如浏览器 Agent 项目 jev-ultrafast，采用「动态索引动作空间」设计，由 Jev 自己选择操作和元素。
  • @TrainerIntelligent 分享了将 Jev 嵌入开源 agent 框架 JarvisCore 的实践：一周内在 RAG 分类、subagent 路由、模型路由和 agent 决策四处落地，并预见记忆组装、工具恢复、人在环等更多嵌入场景。
  • 一位有 20 年 ML 经验的工程师（@NoFriendship4813）花一周梳理了 Jev 及其开源生态（Kev、SemIf、Laya、Nimble、OpenJev、decider、Winnow 等），核心关注点是 Agent 中的调用次数问题，认为 Agent 架构正走向异构推理。
  • Arindam（@Arindam1729）提醒开发者不要把 Jev 当通用 LLM 用（如写邮件、生成长回答），正确用法是让模型做「决策」：给上下文、定义决策集合，由应用代码根据结果执行。

为什么重要

  • Jev 展示了「决策小模型 + 生成大模型」分工的新范式：毫秒级、低成本的决策调用可以大量嵌入 Agent 框架的各个环节，而非依赖通用 LLM 生成文本。
  • 三天内从发布到生态成型的速度，以及多位独立开发者的一致实践反馈，表明该模式对 Agent 开发社区有较强的实际吸引力，异构推理可能成为 Agent 架构的下一步方向。