告别“幻觉”与高昂成本：前OpenAI研究员推出非LLM模型Jev，重塑自动化决策逻辑

【科技24时区】当Diogo Almeida离开OpenAI时，他带走的不仅是RLHF（基于人类反馈的强化学习）这一奠定当前AI时代基石的技术光环，更有一份深深的挫败感。作为ChatGPT的核心构建者之一，Almeida曾直言：“我们手握闪电，却不知如何用它。”这种失望并非源于能力不足，而是方向偏差——过去四年，业界在优化“人类语言”上登峰造极，但对于计算机而言，这层语言外壳反而成了自动化的枷锁。毕竟，机器之间交流的本意，从来就不是为了写诗或聊天。

两年前，Almeida创立TypeSafe AI，试图解开这个死结。本周，该公司发布了名为Jev的新型Transformer架构模型。值得注意的是，Jev并非传统意义上的大语言模型（LLM）。它不输出文本，而是直接生成概率分布，即公司所称的“校准决策”。这一看似微小的范式转移，实则带来了颠覆性的变化：由于摒弃了自然语言生成的冗余过程，Jev的运行速度极快且成本低廉；更关键的是，因为输出结果由用户预先定义，从根源上杜绝了LLM常见的“幻觉”问题。其计费模式也极具冲击力——输入Token按十亿级计量，而输出Token完全免费。

市场反应印证了这一路径的可行性。发布初期，因API请求量激增，TypeSafe甚至短暂出现了服务中断。对于软件开发者而言，Jev提供了一条将智能嵌入代码的更稳健、更低廉的路径。Vercel的软件工程师Pranit Sharma透露，在使用OpenAI的ChatGPT Luna 5.6进行命令安全分类时，效率瓶颈明显；而切换至Jev后，处理速度提升了5到18倍，且准确率更高。另一位开发者、Bryo AI首席技术官Nikhil Mudholkar在对比测试中发现，虽然Gemini在邮件分类上的准确率略胜一筹，但成本高出10到20倍。真正让他兴奋的是Jev提供的置信度分数——“它是唯一能返回真实概率值的模型，这对工作流自动化至关重要。”

除了替代部分LLM场景，Jev还能充当大型模型的“守门人”。Earendil的首席技术官Armin Ronacher指出，利用Agent监控Agent往往代价高昂，而Jev的低成本特性使其成为追踪LLM代理轨迹、防止越狱攻击的理想工具。“这在某种程度上将幻觉问题的判断权交还给了用户，”Ronacher解释道，“如果概率只有50%，用户可以选择忽略；若是95%，则可放心执行。”此外，Jev还可用于模型路由，实时判断任务应由哪种模型处理，从而避免用昂贵的LLM去解决简单问题。

Jev的名字源自19世纪经济学家威廉·斯坦利·杰文斯（William Stanley Jevons），其著名的“杰文斯悖论”指出，资源使用效率的提高往往会导致总消耗量的增加。Almeida希望，随着智能成本的断崖式下跌，智能软件将像早期的互联网一样，以涌现和分布式的方式遍布各处，而非局限于少数巨头打造的超级应用之中。

尽管外界猜测Jev可能基于开源权重LLM构建，但TypeSafe对其具体架构讳莫如深。公司将Jev定义为专注于直觉而非推理的“系统一模型”，并强调其训练数据完全来自合成数据，采用了一种被称为“基于校准决策的强化学习”的技术。Almeida对此颇为自豪，他认为押注全合成数据是他职业生涯中最正确的决定，甚至优于RLHF的发现。“我们公司的一半是一个实验室，专门深耕统计上可理解的合成数据领域，这是我现在的快乐源泉。”

目前，Jev在这一细分赛道尚属孤品，但Ronacher预测，随着其效用显现，竞争对手必将蜂拥而至。“此前我们未能尽早看到这一点，很大程度上是因为LLM被过度补贴，使得人们无需发挥创意即可获利。”至于TypeSafe是否自视为前沿实验室，Almeida的回答颇具深意：“前沿实验室的主要产品往往是恐惧或炒作。我希望我们的主要产品是智能……但我们不是那种赌注无限财富、建立宗教或在数据中心里‘造神’的实验室。”