ChatGPT共同发明人推出决策模型Jev引关注
ChatGPT训练机制的共同发明人迪奥戈·阿尔梅达（Diogo Almeida）在社交平台x宣布，其历时两年潜心研发的新公司TypeSafe AI正式发布名为Jev的前沿AI模型，采用全新训练方法RLCD（Reinforcement Learning for Calibrated Decisions），主打"专为决策优化的可组合智能"，而非传统的文字或图像生成能力。
阿尔梅达在帖文中表示，Jev相比前沿大语言模型速度提升20到200倍，成本降低40到400倍（输出token甚至免费），并称这是"基于AI的经济革命最短路径"。据官方公布的实测数据，Jev处理同一任务的响应时间为0.114秒，而OpenAI旗下GPT-5.6 Terra完成相同任务耗时8.566秒；定价方面，Jev输入token收费仅为每百万token 0.042美元且不收取输出费用，相比之下GPT-5.6 Terra输入输出定价分别为每百万token 2美元和12美元，若与另一款旗舰模型Fable 5.1相比，Jev成本优势可达238倍。
与传统大语言模型按顺序预测下一个词元不同，Jev采用并行处理架构，通过Choice（选择）、Score（打分）、Noul三类"问题原语"同时返回带概率校准的结构化答案，而非生成自然语言文本。官方演示显示，Jev可以直接读取《毁灭战士》（Doom）游戏的结构化状态数据，实时输出带概率的操作决策并完成整局游戏，单次决策延迟低于100毫秒。公司将Jev定位为可被开发者反复调用、嵌入应用程序内部的"软件原语"，而非面向消费者对话的聊天机器人产品。
TypeSafe AI由阿尔梅达联合埃里克·加夫尼（Erik Gafni）与萨莎·盛（Sasha Sheng）共同创立，已获得由DCVC领投的4000万美元种子轮融资。阿尔梅达此前是OpenAI训练后处理团队核心成员，是InstructGPT论文的共同作者，被认为是基于人类反馈的强化学习（RLHF）这一现已被几乎所有商业化语言模型采用的优化技术的关键发明人之一。
阿尔梅达将ChatGPT所开启的对话式AI浪潮称为行业原本自动化目标之外的"一次奇怪的绕路"，并指出"今天的AI是为迎合人类偏好、提供协助而设计的，这从根本上阻碍了真正的自动化"，他还直言"无论模型判断错得多离谱，看起来都像是对的"，"过度承诺是（当前行业的）一个设计特征，而不是缺陷"。目前Jev已开放早期访问申请通道（typesafe.ai），并可通过Vercel平台直接调用。
从资金与产业逻辑看，TypeSafe AI选择完全绕开当前巨头集中投入的通用对话与内容生成赛道，转而押注决策自动化这一细分场景，本质上是在与OpenAI、Anthropic等前沿实验室的正面价格与算力竞赛中，寻找一条差异化的资本效率路径——以远低于旗舰模型的推理成本，切入客服路由、业务流程自动化、大规模数据分类、AI智能体工具调用等对延迟和成本高度敏感的企业级场景。DCVC等早期投资机构押注的逻辑在于，一旦Jev被广泛集成进现有AI智能体工作流的"决策层"，将形成对开发者生态的强粘性；而对于依赖高延迟、高成本旗舰模型完成简单判断类任务的现有应用而言，Jev的出现意味着潜在的替代压力和成本重构空间。
来源：公开信息
ABAB AI 解读
阿尔梅达在OpenAI期间并非普通员工，而是InstructGPT论文的共同作者，直接参与了基于人类反馈的强化学习（RLHF）这套训练范式的发明——这套方法此后被移植进GPT系列乃至几乎所有主流商业化大语言模型，是ChatGPT得以"听话"并大规模商业化的核心技术基础之一。他此后选择两年潜心隐身研发，而非继续在原有对话式AI路径上迭代，这种"亲手参与发明后又转身质疑其局限"的路径，与OpenAI部分核心成员离职后另立门户、押注不同训练理念的行为逻辑存在相似之处。
从资金调动看，TypeSafe AI选择的融资规模（4000万美元种子轮）与OpenAI、Anthropic动辄百亿美元级别的融资体量相比极为克制，这本身即反映其差异化打法：不与巨头在通用大模型的算力与参数规模上正面竞争，而是将资金集中投入到一个更窄但更高频的场景——结构化决策推理。DCVC作为深度科技领域的早期机构投资者押注这一方向，本质上是在赌"AI基础设施的下一层利润"不在于更强的聊天能力，而在于能够被海量企业级应用反复调用的低成本决策组件，这与云计算早期从通用计算资源逐步细分出专用推理芯片、专用数据库等基础设施层的资本路径存在结构相似性。
这种"跳出主赛道、押注更窄但更刚需场景"的创业逻辑，与早年部分公司试图在巨头主导的通用大模型格局中寻找细分切口的路径类似，但TypeSafe AI选择的切口更为极端——直接砍掉文本与图像生成能力，只保留决策判断这一单一能力维度。就行业所处阶段而言，Jev代表的"专用小型高频推理模型"路线，正处在通用大模型军备竞赛达到阶段性瓶颈、市场开始寻找差异化基础设施层机会的转型期，而非成熟稳定的竞争格局。
这一现象本质上属于"技术替代"：其发生机制在于，当前主流大语言模型将"生成自然语言"和"完成决策判断"两种能力捆绑在同一套架构与定价体系中，导致大量只需要一个是非判断或打分结果的高频、低延迟场景，被迫为用不上的语言生成能力支付冗余的算力与时间成本。TypeSafe AI通过RLCD训练方法与并行结构化输出架构，把"决策"这一能力从"生成"中剥离出来单独优化，本质上是在对大模型的能力捆绑进行解耦重构——这种"解耦式效率革命"一旦被验证具备商业可行性，可能推动一批同样依赖高延迟、高成本旗舰模型完成简单判断任务的现有产品，转向采购更专用、更廉价的决策层组件，从而重塑AI推理基础设施的分层格局。
ABAB News · 认知定律
会说话的AI贵，会判断的AI快。
能力越捆绑，冗余成本越高；能力越解耦，效率越极致。
巨头卷参数规模，颠覆者卷单点效率。