扫描下载APP
其它方式登录
Jev模型作为专注决策判断的轻量级AI模型走红，凸显大模型产业从追求全能向按任务分化的趋势：厂商推出Flash等低成本、低延迟专用模型，适配Agent高频调用需求；Jev以极简输出（Choice/Score/Boolean）和概率化判断支持自动化流程，推动Agent从单一大模型转向多模型协同调度，强调任务导向的智能入口价值。
TypeSafe公司推出的Jev是一款不对话、专注执行任务的AI智能体，以‘不说话’和‘绝不代按发送键’为设计核心，将AI从聊天导向办事，一个月内估值从2亿飙升至100亿美元，挑战当前大模型过度侧重对话能力的行业路径，凸显用户对高效执行工具的真实需求。
Jev是一款由前OpenAI研究员推出的新型AI模型，主打高速、低成本的‘选择型’推理能力，不生成语言而专注快速决策。文章通过游戏实测揭示其实际表现：虽响应快、成本低，但缺乏规划与记忆能力，性能高度依赖外部程序设计，适用场景限于内容审核、客服分流等简单判断任务，远未达到网络盛传的‘神级’水平。
Jev 是由前 OpenAI 核心研究员 Diogo Almeida 创立的新型 AI 模型，定位为面向自动化（automation）而非辅助（assistance）的 System One 类别，强调类型化输出与概率校准，挑战 RLHF 范式，主张告别 ChatGPT 时代，构建更可靠、可嵌入后台的智能软件基础设施。
TypeSafe AI公司推出不生成自然语言、专为程序决策设计的轻量级AI模型Jev，主打低延迟（70–500ms）、低成本（每百万token仅0.042美元）和高吞吐，适用于自动化、审核、游戏控制等高频简单判断场景；创始人Diogo Almeida曾参与ChatGPT核心研发，此次反向聚焦‘系统1’式快决策，引发开发者热捧与行业对AI推理成本的重新审视。
文章深入剖析Jev模型的技术原理与实际能力，指出其核心是通过共享状态、并行问题处理和选项间交互机制实现快速概率判断，虽在速度和特定场景判断上表现优异，但在复杂推理、泛化能力和通用性方面存在明显局限，尚不足以构成范式革新。
前OpenAI研究员Diogo Almeida批评当前AI（如Codex、Claude Code）仍停留在人机辅助阶段，提出Jev模型旨在实现AI与软件的深度集成：通过面向校准决策的强化学习（RLCD），使模型输出可被代码直接消费的选择、评分和概率，提升自动化可靠性与性价比，目标是让AI成为像数据库一样隐形、稳定、可编程的基础设施。
Jev 是一款专精于快速、低成本、高置信度决策的新型AI模型，由TypeSafe AI公司推出。它不生成文本，而是针对明确选项的判断任务（如分类、打分、二元判定）并行输出带概率的结果，显著提升响应速度与成本效率，成为Agent架构中处理高频判断环节的关键组件。
文章实测AI工具Jev在信息查证场景中的应用，演示其通过Choice（多选分类）、Score（可信度评分）、Noul（是非判断）三大能力，对科技新闻进行自动分类、可信度评估与事实核查，并结合Python实现新闻审核自动化流程，强调其低门槛、网页即用、无需代码即可上手的特点。
文章对比Jev与Decitron两大决策AI模型，指出二者虽同属决策AI范畴，但本质不同：Jev聚焦瞬时判断，输出可执行的决策信号（如概率、选择），适用于软件与Agent实时流程；Decitron则构建世界模型，通过多智能体推演、博弈与求解，模拟复杂系统中不同行动对未来路径的影响，面向战略级决策。两者共同推动AI从生成内容转向支持判断与行动。
Diogo Almeida 创立 TypeSafe 公司推出 Jev 模型，聚焦于低成本、高可靠性的结构化判断能力，区别于传统生成式大模型；Jev 专为自动化场景设计，输出 Choice/Score/Noul 三类可编程结果，旨在推动 AI Stack 从辅助走向真正自动化，并引发‘智能大拆分’架构变革。
JEV是由TypeSafe AI推出的低延迟、零幻觉AI模型，专为毫秒级结构化决策（如买/卖/持有）设计，成本极低。文章盘点其在加密领域的20+实战应用，涵盖高频交易机器人、链上投研工具、市场情绪分析、预测市场及AI自治代币等，分为实用工具与概念叙事两大类，强调技术潜力与投资风险并存。
Jev是由TypeSafe AI推出的轻量级决策模型，专精于快速分类、评分和选项选择，显著降低AI判断成本。文章分析其在无人机控制、客服分流、新闻筛选等场景的应用潜力，并指出德州仪器、亚德诺、意法半导体等美股公司在感知、执行、边缘AI硬件层面可能受益。
TypeSafe创始人阿尔梅达提出Jev模型，定义为“系统一模型”，旨在让AI成为可嵌入软件的可靠基础设施，聚焦代码直接调用、每美元智能效率及程序内可靠性，通过RLCD训练范式替代RLHF，强调任务拆解、结构化输入与可验证决策，而非追求大模型规模或公共基准分数。
文章以幽默方式介绍 JEV 模型的核心能力——结构化封闭式判断（如 true/false、多选、评分及概率），类比海龟汤游戏的提问逻辑；重点阐述打工人如何将老板隐性的决策标准拆解为明确、可量化的判断问题，用 JEV 批量评估选题质量，提升工作通过率，实现‘把老板炼成海龟汤’的高效协作策略。
