「
Jev的能力
就是苹果一直梦想的AGI
」
在LLM大语言模型架构Transformer火爆之前，世界对AI的想象还是苹果范式或者是Siri范式：
- 整合传统计算机软件互联网应用功能，以结构化数据进行严谨通讯，用更好更全面的算法，计算出一个超出意想的更优结果，然后推荐给用户，实现最优体验。
有点像抖音那种AI推荐引擎。这种AI的优势是，背景、条件和目标都是确定的，所有都是准确的结构化的，没有大语言模型那种幻觉，给定的答案一定是正确的。这也是计算机按部就班会发展出来的AI。
相对应的Transformer大语言模型，则是像人类语言一样，囊括了海量歧义，在什么都不确定的情况下，给出一个相对可接受的答案。这些答案乍一看很牛，但放进专业性极强的工作科研业务办事任务上，就大概率会出现算力成本极高、干活胡编乱造甚至偷懒的情况。也就是所谓的“幻觉”——
不正经干活，净顾左右而言他。
乔布斯一手谋划的苹果旧Siri、残疾人模式、app intents等都是传统AI路径的长期实践者。但库克谋划了超过15年，一直没能做出来！
直到本周9月15日，AI圈终于被这样一记重磅砸醒。
前OpenAI研究员、ChatGPT与RLHF核心共创者Diogo Almeida，带领TypeSafe AI低调两年后正式出山，发布全新System One Model（系统一模型）——Jev。
这就不是一个“更强聊天机器人”，也不是更大参数的文本生成怪兽。Jev干脆放弃了自然语言生成能力：它不会写诗、不会聊天、不会输出长篇大论，只做一件事——在毫秒级时间内，给出类型安全、概率校准的结构化决策。
专为自动化设计的“系统一”模型，毫秒级结构化决策、输出Token免费、零幻觉。开源社区已用它7秒订机票、治好Agent失忆症，AI生产革命来了！让大模型工作的能力、效率和成本，起步提升数百倍，上限还未知！
用Almeida本人的话说：
“模型聊天已经超越人类了好几年，可真正的自动化在哪里？”
他给出的答案，就是Jev。
Jev到底是什么？为什么说它可能改写Agent格局？
传统LLM走的是**自回归（Autoregressive）**路线：一个token接一个token串行生成，慢、贵、容易幻觉，还得靠各种后处理才能塞进代码里。
Jev彻底换了一条路：
- 并行计算（One Parallel Pass）：一次前向传播同时输出所有预设选项的概率分布，像当年Transformer取代RNN一样激进。
- RLCD训练法（Reinforcement Learning for Calibrated Decisions）：专门优化“校准过的决策概率”，而不是人类偏好的聊天文本。
- 类型安全输出：输出直接是结构化对象（分类、评分、路由、是否……），零幻觉、零类型错误，代码可以直接调用。
- 极致性价比：输入仅$0.042 / MTok（每10亿token 42美元），输出token永久免费。端到端延迟70-500ms，号称比前沿LLM快20-200倍、便宜40-400倍。
官方把它定位为“前沿智能函数调用”：非结构化状态进去，带置信度的类型安全决策出来。
Demo也相当炸裂：
- 实时玩Doom，10次调用/秒，成本约7美元/小时。
- Wikipedia竞速：在成百上千个链接中精准选择，不幻觉。
- 工作流评估中，Jev直接占领了“智能×成本”帕累托前沿。
开源社区已经疯了！三大标杆案例初探潜力
发布第二天，社区就已经测出标杆案例：
- Browser Use创始人Gregor Zunic直接接入Jev，用开源浏览器Agent查真实航班：全程7秒，成本仅0.0039美元（不到3分钱人民币）！视频1倍原速，动作空间动态拆分，99%决策交给Jev，只有打字时才临时唤醒小模型。网页自动化“又慢又贵”的时代，可能真要结束了。
- 编码Agent场景：开发者@tamarajtran开源了Jev压缩插件。Claude Code里上下文一满就卡10秒写总结的痛点被瞬间解决——Jev几十毫秒打分，扔掉所有无用终端垃圾和冗余日志，核心代码原样保留，Token费用几乎为零。连Diogo本人都亲自转发点赞，称这是“绕过传统KV缓存的最佳解法”。
- 民间复现：有人用Qwen-2.5-1B在M4 MacBook上2小时复刻出类似RLCD的并行决策能力，设备端推理快5倍，还能玩Doom，并已开源到Hugging Face。
一句话总结社区情绪：“终于有人把LLM从聊天框里拽出来，塞进真正的生产流水线了。”
只用给到Jev一个匹配相应软件服务的schedule，他就能把现有网络软件产品变成超智！
硅基观点：这是Agent从“玩具”走向“产线”的关键一跃
过去两年，大家一边吹Agent，一边被现实毒打：
延迟太高、Token账单吓人、幻觉导致链路崩溃、结构化输出还得反复校验……
Jev的出现，直接把问题拆成了两半：
- 慢思考（System 2）：留给大模型做复杂推理、写代码、生成内容。
- 快直觉（System 1）：交给Jev做海量、高频、可验证的决策与路由。
这不是取代LLM，而是给LLM配上了一台“超级决策引擎”。当决策本身变得又快又便宜又可靠时，真正可规模化的自动化才会爆发——这正是Jevons悖论的AI版：智能越便宜，使用量会指数级增长。
其实，实际上OpenAI、Anthropic以及国内阿里千问、DeepSeek等前沿实验室，也一直在给自家模型内部增加类似专业的“条件决策引擎”。像ChatGPT极为重视图表结构化知识构建和输出，国内金山WPS也用自研表结构识别模型实现低成本高准确度的办公服务，阿里千问更是在48小时内复刻出类似Jev的模型能力！
事实上，Jev和各种LLM大语言模型也并不是谁取代谁的关系。未来一定是整合起来作为一整套智能体架构服务客户用户。
未来：基础模型HarnessGraph EngineeringJev超级决策引擎RAGtool use，会成为AI Agent智能体顺滑体验的基础！
基础大语言模型适合跟用户沟通交流，Jev超级决策引擎适合锁定用户目的，精简不必要的算力资源开支，然后再通过tool use整合现有软件互联网服务，直接给用户超出预期的结果体验。
Building Prod, not God。
TypeSafe AI已开放早期访问（typesafe.ai），填写完申请，基本一天内就能通过用上API。
热门跟贴