发布仅9天的Jev据称估值破百亿美金，硅谷也看好薄利多销？|jev|初创公司|模型能力|算法|融资

当地时间 9 月 24 日，科技媒体 The Information 曝出消息，AI 初创公司 TypeSafe AI 正与投资者洽谈一轮 10 亿美元或更高规模的融资，部分投资者提出的估值超过 100 亿美元，已有投资方表示愿意领投，谈判仍处于早期阶段。

次日，《金融时报》（Financial Times）援引知情人士的说法，称这家公司正在接到估值 100 亿美元或更高的融资提议。公司联合创始人兼 CEO 迪奥戈·阿尔梅达（Diogo Almeida）拒绝透露细节，只表示投资人已经踏破了公司的门槛。

TypeSafe AI 于 9 月 15 日结束隐身状态，并宣布完成 4000 万美元种子轮融资，同时发布首款模型 Jev，估值来到 2 亿美元。

Jev 不生成文本，只针对开发者预先定义的选项返回判断结果和概率。上线后，模型在开发者群体中迅速扩散，模型聚合平台 OpenRouter 上发往 Jev 的 token 数量在一个周末内增至原来的三倍以上。

多数报道把 TypeSafe AI 的估值跃迁概括为“九天涨了 50 倍”，但按照迪奥戈的说法，最近才公开的种子轮，其实早在一年多之前就已完成。时至今日，Jev 为何能再次引爆如此大的投资热情？

估值从哪来，融资怎么花？

投资者看好 TypeSafe AI，主要源于 Jev“薄利多销”的商业模式。目前，其定价约为每百万 Token 4.2 美分，输出 Token 免费，作为对照，主流大模型的调用价格通常为每百万 Token 数美元。

Jev 的单次调用收入极低，但计算成本也远低于主流大模型。领投种子轮的风投机构 DCVC 合伙人詹姆斯·哈迪曼（James Hardiman）告诉《金融时报》，TypeSafe AI 已经实现盈利。公司未公开收入或利润数据，这一说法目前无法核实。

TypeSafe AI 未来将继续押注调用量的扩张。迪奥戈在媒体采访中描述过他设想的前景：智能软件不再由少数几个超级应用“包揽”，而是会以分散的方式遍布各处，形态更接近早期互联网。从具体场景看，Jev 适用于批准、拦截或标记请求，分流客服工单，以及保险和信贷核保等。

这类任务数量庞大，大多不需要推理链。如果它们从前沿大模型迁移到 Jev 这样的低价模型上，OpenAI 和 Anthropic 会失去一部分调用量。100 亿美元的估值，本质上是在为这种可能出现的大规模迁移定价。

TypeSafe AI 虽未公布新一轮融资的用途，但从公司已披露的信息看，至少有三个方向需要大笔投入。

扩展服务能力是当下最要紧的事。据 TechCrunch 消息，Jev 上线后，需求迅速超出承载能力，公司的应用程序接口（API）一度无法对外提供服务。TypeSafe AI 在发布博客中写道，其服务目前部署在美国西海岸，公开评测大多从团队的笔记本电脑上发起。Jev 的核心卖点是低延迟，要向全球开发者稳定兑现这一点，就需要扩充推理算力并在更多地区部署。

迪奥戈曾表示，公司会继续开发更多版本的模型，并扩展到新的模态。产品线的扩充同样需要大量资金支持。

10 亿美元还有相当一部分预计将用于合成数据。迪奥戈称，TypeSafe AI 内部有一半实验室专门研究合成数据，“自己生成全部训练数据”是他做过的最好的决定，甚至胜过他参与开创的基于人类反馈的强化学习（RLHF）。目前，Jev 完全使用合成数据训练。

护城河在哪？

资本狂热的背后，Jev 能否守住先发位置依然存疑。开源模型工具公司 Earendil 首席技术官阿明·罗纳赫（Armin Ronacher）评价称，行业早该想到这类方案，但由于前沿大模型价格低廉且有补贴，开发者一直没有动力另寻出路。Jev 的用处显现之后，竞争者会很快出现。

资本需要回答的另一个问题是，这笔钱能买到哪些别人拿不走的东西？TypeSafe AI 对技术细节讳莫如深，只向《金融时报》透露训练中使用了开源模型和合成数据，却并未说明具体是哪个模型、以何种方式使用。

质疑随之而来。模型评测平台 Arena 首席执行官阿纳斯塔西奥斯·安杰洛普洛斯（Anastasios Angelopoulos）表示，他看不出 Jev 与标准的零样本分类器（zero-shot classifier）有何不同，后者已是较为成熟的技术，Meta、谷歌和 Hugging Face 都提供了类似工具。

TypeSafe AI 对自身护城河的看法可以从公司 9 月 10 日发布的博客文章中找到线索。文中，他们回应了强化学习研究者理查德·萨顿（Richard Sutton）的著名论断“苦涩的教训”：从长期看，利用更多算力的通用方法总会胜过研究者精心设计的算法。

在此基础上，TypeSafe AI 给出了自己的排序：选对任务比数据重要，数据比算力重要，算力比算法重要。文章以 InstructGPT 的研究经历为例：在正确的任务上训练后，这一规模仅为 GPT-3 1/100的模型也能明显胜过 GPT-3。