ChatGPT共同發明人推出決策模型Jev引關注
ChatGPT訓練機制的共同發明人迪奧戈·阿爾梅達（Diogo Almeida）在社交平臺x宣佈，其歷時兩年潛心研發的新公司TypeSafe AI正式發佈名爲Jev的前沿AI模型，採用全新訓練方法RLCD（Reinforcement Learning for Calibrated Decisions），主打"專爲決策優化的可組合智能"，而非傳統的文字或圖像生成能力。
阿爾梅達在帖文中表示，Jev相比前沿大語言模型速度提升20到200倍，成本降低40到400倍（輸出token甚至免費），並稱這是"基於AI的經濟革命最短路徑"。據官方公佈的實測數據，Jev處理同一任務的響應時間爲0.114秒，而OpenAI旗下GPT-5.6 Terra完成相同任務耗時8.566秒；定價方面，Jev輸入token收費僅爲每百萬token 0.042美元且不收取輸出費用，相比之下GPT-5.6 Terra輸入輸出定價分別爲每百萬token 2美元和12美元，若與另一款旗艦模型Fable 5.1相比，Jev成本優勢可達238倍。
與傳統大語言模型按順序預測下一個詞元不同，Jev採用並行處理架構，通過Choice（選擇）、Score（打分）、Noul三類"問題原語"同時返回帶概率校準的結構化答案，而非生成自然語言文本。官方演示顯示，Jev可以直接讀取《毀滅戰士》（Doom）遊戲的結構化狀態數據，實時輸出帶概率的操作決策並完成整局遊戲，單次決策延遲低於100毫秒。公司將Jev定位爲可被開發者反覆調用、嵌入應用程序內部的"軟件原語"，而非面向消費者對話的聊天機器人產品。
TypeSafe AI由阿爾梅達聯合埃裏克·加夫尼（Erik Gafni）與薩莎·盛（Sasha Sheng）共同創立，已獲得由DCVC領投的4000萬美元種子輪融資。阿爾梅達此前是OpenAI訓練後處理團隊核心成員，是InstructGPT論文的共同作者，被認爲是基於人類反饋的強化學習（RLHF）這一現已被幾乎所有商業化語言模型採用的優化技術的關鍵發明人之一。
阿爾梅達將ChatGPT所開啓的對話式AI浪潮稱爲行業原本自動化目標之外的"一次奇怪的繞路"，並指出"今天的AI是爲迎合人類偏好、提供協助而設計的，這從根本上阻礙了真正的自動化"，他還直言"無論模型判斷錯得多離譜，看起來都像是對的"，"過度承諾是（當前行業的）一個設計特徵，而不是缺陷"。目前Jev已開放早期訪問申請通道（typesafe.ai），並可通過Vercel平臺直接調用。
從資金與產業邏輯看，TypeSafe AI選擇完全繞開當前巨頭集中投入的通用對話與內容生成賽道，轉而押注決策自動化這一細分場景，本質上是在與OpenAI、Anthropic等前沿實驗室的正面價格與算力競賽中，尋找一條差異化的資本效率路徑——以遠低於旗艦模型的推理成本，切入客服路由、業務流程自動化、大規模數據分類、AI智能體工具調用等對延遲和成本高度敏感的企業級場景。DCVC等早期投資機構押注的邏輯在於，一旦Jev被廣泛集成進現有AI智能體工作流的"決策層"，將形成對開發者生態的強粘性；而對於依賴高延遲、高成本旗艦模型完成簡單判斷類任務的現有應用而言，Jev的出現意味着潛在的替代壓力和成本重構空間。
來源：公開信息
ABAB AI 解讀
阿爾梅達在OpenAI期間並非普通員工，而是InstructGPT論文的共同作者，直接參與了基於人類反饋的強化學習（RLHF）這套訓練範式的發明——這套方法此後被移植進GPT系列乃至幾乎所有主流商業化大語言模型，是ChatGPT得以"聽話"並大規模商業化的核心技術基礎之一。他此後選擇兩年潛心隱身研發，而非繼續在原有對話式AI路徑上迭代，這種"親手參與發明後又轉身質疑其侷限"的路徑，與OpenAI部分核心成員離職後另立門戶、押注不同訓練理念的行爲邏輯存在相似之處。
從資金調動看，TypeSafe AI選擇的融資規模（4000萬美元種子輪）與OpenAI、Anthropic動輒百億美元級別的融資體量相比極爲剋制，這本身即反映其差異化打法：不與巨頭在通用大模型的算力與參數規模上正面競爭，而是將資金集中投入到一個更窄但更高頻的場景——結構化決策推理。DCVC作爲深度科技領域的早期機構投資者押注這一方向，本質上是在賭"AI基礎設施的下一層利潤"不在於更強的聊天能力，而在於能夠被海量企業級應用反覆調用的低成本決策組件，這與雲計算早期從通用計算資源逐步細分出專用推理芯片、專用數據庫等基礎設施層的資本路徑存在結構相似性。
這種"跳出主賽道、押注更窄但更剛需場景"的創業邏輯，與早年部分公司試圖在巨頭主導的通用大模型格局中尋找細分切口的路徑類似，但TypeSafe AI選擇的切口更爲極端——直接砍掉文本與圖像生成能力，只保留決策判斷這一單一能力維度。就行業所處階段而言，Jev代表的"專用小型高頻推理模型"路線，正處在通用大模型軍備競賽達到階段性瓶頸、市場開始尋找差異化基礎設施層機會的轉型期，而非成熟穩定的競爭格局。
這一現象本質上屬於"技術替代"：其發生機制在於，當前主流大語言模型將"生成自然語言"和"完成決策判斷"兩種能力捆綁在同一套架構與定價體系中，導致大量只需要一個是非判斷或打分結果的高頻、低延遲場景，被迫爲用不上的語言生成能力支付冗餘的算力與時間成本。TypeSafe AI通過RLCD訓練方法與並行結構化輸出架構，把"決策"這一能力從"生成"中剝離出來單獨優化，本質上是在對大模型的能力捆綁進行解耦重構——這種"解耦式效率革命"一旦被驗證具備商業可行性，可能推動一批同樣依賴高延遲、高成本旗艦模型完成簡單判斷任務的現有產品，轉向採購更專用、更廉價的決策層組件，從而重塑AI推理基礎設施的分層格局。
ABAB News · 認知定律
會說話的AI貴，會判斷的AI快。
能力越捆綁，冗餘成本越高；能力越解耦，效率越極致。
巨頭卷參數規模，顛覆者卷單點效率。