不生成文字的模型 Jev，正在重新定义 AI 的“智能接口”

大型语言模型几乎垄断了“AI 智能”的想象，但 TypeSafe AI 正试图把智能从文字生成中拆出来。该公司近日发布 Jev，一个由 OpenAI 前研究员 Diogo Almeida 参与创办的新模型。Jev 不回答问题，也不生成段落，而是针对用户预先定义的选项输出概率和决策结果。

核心要点

• 面向机器，而非面向人类对话。 Almeida 认为，过去几年模型主要围绕人类语言优化，这使它们擅长表达，却未必适合直接驱动软件。Jev 的输出更接近分类器或决策接口，应用可以据此继续执行流程。
• 速度和价格是主要卖点。 TypeSafe AI 表示，Jev 的输出 token 不收费，输入按十亿 token 计量，而不是按百万 token 计量。由于不需要生成长文本，模型也更适合高频、实时的软件任务。
• 概率分数让自动化更可控。 用户可以设定阈值，例如只有在模型给出较高置信度时才放行操作。这并不能消除所有错误，但能让不确定性显式进入工作流，而不是隐藏在一段看似合理的回答中。

从早期反馈看，Jev 最适合承担 LLM 不经济或不够稳定的外围任务。Vercel 工程师 Pranit Sharma 表示，在命令安全分类测试中，Jev 相比其此前使用的 OpenAI 模型快了 5 至 18 倍，并取得更高准确率。Bryo AI 的测试则显示，Gemini 在商业邮件分类上略准，但成本高出 10 至 20 倍；测试者尤其看重 Jev 返回的真实概率。

Jev 也可以作为大模型的“监督层”。它能够检查代理执行轨迹、识别潜在越狱行为，或在多个模型之间进行实时路由，先判断某项任务是否值得调用更昂贵的模型。这样一来，大模型不必处理每一个简单判断。

意义与局限

Jev 的价值不在于取代通用 LLM，而在于把低成本决策能力嵌入更多软件角落。其命名来自经济学中的“杰文斯悖论”：当一种资源变便宜，使用量可能反而增加。若类似模型成熟，智能或许会像基础设施一样分散部署。

不过，TypeSafe AI 尚未公开完整架构，外界也猜测其可能建立在开放权重模型之上。公司称 Jev 主要使用合成数据，并采用“基于校准决策的强化学习”训练。当前案例数量有限，模型在不同领域的泛化能力、校准质量和长期稳定性仍需独立评估。它更像是对 LLM 体系的补充，而不是下一代通用聊天模型。

来源：TechCrunch AI