Jev来了：一个不会写句子的模型，凭什么让LLM圈紧张

上周我刷到一条发布，说有个 AI 模型「完全不会写字」。

不是文风不好的那种不会，是字面意思：它生成不出一个完整的句子，没有对话界面，不输出任何文本，连一段像样的解释都给不了你。就这，发布四天，Hacker News 头版、B 站实测视频、海外科技媒体一篇接一篇，融资传闻、对标 OpenAI，满天飞都是「新范式」。

它叫 Jev，做它的公司叫 TypeSafe，创始人 Diogo Almeida，在 OpenAI 待过，参与过 ChatGPT 指令遵循那条线的研究。9 月 14 日官宣，之前隐身了两年，据 Techmeme 说拿了 4000 万美元种子轮。

我的第一反应跟很多人一样：一个不会说话的模型，有什么好吵的？

但把它的技术文档和几篇独立实测啃完之后，我改了主意。这事值得认真聊一篇。它戳的不是某个产品的短板，是整个 LLM 范式的底座。我们花了三年、烧了几百亿美元教会机器说话，然后发现「说话」这件事本身可能就是多余的——至少当软件只需要机器做个决定的时候。

※ ※ ※

LLM 的「写作税」：为了说出「垃圾邮件」，它得把字打完

先讲清楚 LLM 的工作原理里藏着的尴尬，因为 Jev 的整个卖点都建立在这上面。

大语言模型是自回归的。它每前进一步，只能吐出一个 token，然后把刚吐出来的东西再吞回去，决定下一个 token。你问它「这封邮件是不是钓鱼邮件」，它明明心里（如果有的话）已经「知道」答案是“是”，但它还是得把「是」「。」「建议」「用户」「删除」这些字一个一个写出来，你才有机会读到。

一个判断，两秒钟。多出来的时间，全花在「写」上。

更难受的是工程侧。软件要的从来不是一个答案句子，而是一个能 if 的东西。所以过去两年，所有人都在给 LLM 套缰绳：JSON mode、函数调用、结构化输出、schema 校验，然后代码里写满 try-except，处理它偶尔吐出来的坏 JSON、编造的字段名、不存在的工具参数。干过 agent 开发的人都认识这个环节——「幻觉工具调用」，模型发明了一个你根本没有的函数，然后你的流水线在半夜三点炸掉。

换句话说，我们让 LLM 说人话，然后再花大力气把它说出来的话重新翻译成机器话。这两道工序里，第二道纯属浪费。

※ ※ ※

Jev 的赌注：把「说话」这个功能整个砍掉

Jev 的做法简单粗暴：从输入到输出，全程不经过「文本」这个中间商。

你喂给它一段非结构化的状态——一封邮件的原文、一张工单、一段程序运行日志——外加一份你事先定义好的问题清单。它返回的不是文字，是带类型的概率化决策。官方原话我抄一遍，因为确实精辟：「unstructured state in, typed probabilistic decisions out」——非结构化状态进，类型化概率决策出。

它的 API 一共就三种问法。Choice，从你给定的选项里挑一个，返回每个选项的概率；Score，按你定义的等级打分；Noul，回答「这个条件成立的概率是多少」这种是非题。答案空间在调用之前就锁死在你的 schema 里，模型的输出在数学上不可能越过这个边界。

它不会给你吐出一个语法错误的 JSON，因为根本没有 JSON 可吐。它给你的是一个对象，类型是你定义的，值是一个校准过的概率。就这么点事，让 LLM 生态里那一整层「解析-校验-重试」的胶水代码直接失去了存在意义。

速度也是这么来的。TypeSafe 说它用了一套全新的架构加一个「并行采样器」：不再一个 token 一个 token 地写，而是一次前向传播，把所有问题的答案同时算出来。官方给的端到端延迟是 70 到 500 毫秒，对照他们自己测的前沿 LLM 做同类任务，3 秒到 329 秒都有。价格更狠：输入每百万 token 收 4.2 美分——LLM 普遍收 20 美分到 10 美元——输出，不收费。因为输出是几个概率数字，不值钱。

训练方法他们叫 RLCD，全称「为校准决策而做的强化学习」，摆明了是对着 RLHF 打的：RLHF 优化的是「人类评测员觉得好听」，RLVR 优化的是「程序能验证对错的生成」，RLCD 优化的是「概率要诚实」——模型说 70% 的把握，那它就得有七成时候是对的。

名字本身也是声明。Jev 自称第一台「System One 模型」，出处是卡尼曼：系统一是快直觉，扫一眼就知道那封邮件是垃圾，不用推理；系统二是慢思考，一步一步验算。LLM 的 chain of thought 是在模仿系统二，而 Jev 干脆押注系统一。

TypeSafe 放了两个演示，最出圈的一个是用 Jev 玩文字版 Doom。注意，不是看图决策——那还得有视觉模型——是把游戏状态结构化之后直接喂给它，它每步返回「往哪走、打不打」的类型化决策，每秒 10 次查询，团队一开始担心账单，跑下来一小时 7 美元左右。

※ ※ ※

「不会幻觉」这句 slogan，一半是真的，一半是偷换

每次有厂商跟我说「我们的模型不会幻觉」，我都会先去看它对幻觉是怎么定义的。Jev 也不例外。

真的一半：它确实造不出一个不存在的答案。输出被锁在 schema 里，选项是你给的，分数区间是你定的，它没法无中生有。这个意义上，「结构化输出错误率 0%」是硬保证，不是话术。

偷换的一半：schema 合法，不等于判断正确。

有个博主说得干脆：Jev 破不了 schema，但它照样能投错票。它不会发明一个选项，但它可以自信地在你给的十个选项里挑错九个，还附赠一个漂亮的、校准过的高置信度。幻觉从「说出来」挪到了「选出来」，但错的概率没有消失。

更要命的是它的不可解释。TypeSafe 自己也承认，这是明牌：Jev 写不出一句话，也就给不出任何解释。没有思维链可以审查，因为压根没有链。它能告诉你「这个活儿干砸了，概率 91%」，但它没法告诉你砸在哪、怎么修。对分类器这是特性，对需要复盘的工程团队这就是天花板——出事之后，你手里只有一个概率，没有故事。

官方文档难得地诚实，反复劝你别把它当 agent 用：规则留在代码里，问题问窄一点，「把它当一个模糊的 if 语句，别当一个智能体」。这句话我觉得是整个发布里最有分量的技术表态。

※ ※ ※

通稿的 193 倍，和实测的 5 倍

然后是我最烦、但也最理解的部分：数字。

TypeSafe 首页的标头条写着「快 193.6 倍，省 444.6 倍」。博客正文里变成「对 System One 型任务快 40 到 200 倍」，创始人自己的发布线程又变成「20 到 200 倍、省 40 到 400 倍」。三组口径，一套比一套客气。他们自己的解释是首页那对数字来自 workflow evals、且预期真实世界收益「落在偏高区间」。

问题是这个 workflow evals 本身的基准就有争议。TypeSafe 在 evals.typesafe.ai 发布了一套工作流评测，分怎么算的？拿 GPT-6 Astra 和 Fable 5.1 两个前沿 LLM 输出概率的平均值当参考答案。也就是说，这套分数量的是「你跟两个大语言模型商量出来的共识有多一致」，不是「你对不对」。一台号称跳出 LLM 范式的机器，考卷的标答是两个 LLM。这画面有点黑色幽默。

真正的独立数据在别处。英国一家做活动listing的公司 Near Here 拿 50 条真实审核任务测了 jev-1.13.0：准确率 96%，对照 Mistral Small 4 是 84%，Gemini 3.5 Flash-Lite 是 86%；平均每条决策 0.59 秒，千条成本 4.3 美分。结论：比那个小模型快五倍、便宜不到九倍，不是通稿的两百倍。5 倍对 193 倍，差着两个数量级，这才是应该进决策会的数字。

另一篇十六模型对照的实测（150 篇文本、2400 次调用）我觉得更有意思：在「一秒内返回」这个价位段，Jev 是测到的校准最好的模型，而且是唯一一个会稳定「承认自己不确定」的；全部十六个模型里敢把概率压在模棱两可区间的只有四个，四个里面只有一秒内交付的是 Jev。但它不是 accuracy 冠军——有几个模型分数比它高，其中一个在「敢于示弱」这个指标上还赢了它，只是那个模型要 1.7 秒。

1.7 秒。这正是 Jev 的处境写照：通用模型越来越快、越来越便宜，追到 System One 家门口只是时间问题。

※ ※ ※

我的判断：不是杀手，是拆界的

看完这一圈，我对 Jev 的定位跟通稿不一样，也跟「又是换皮模型」的嘲讽不一样。

它不是来杀死 LLM 的。Doom 也好、审核也好，那 96% 准确率照样有 4% 的错，企业不可能把一个不能解释的决策器放到终审位。它真正在拆的，是另一条边界：过去我们把所有要「理解一点语义」的活都顺手丢给 LLM，包括那些本质上只是一个分类、一个门控、一次 if 的活。Jev 证明了这条路上有一整块地皮不属于语言模型——不需要语言、不需要生成、只需要「读懂状态，给出带概率的判断」。

所以我最看好的形态，恰恰是 TypeSafe 自己没多讲的那个：Jev 当闸门，LLM 当大脑。海量请求先过一遍 0.5 秒、4 美分千次的系统一，置信度高的直接放行，低风险的进自动化，「不确定」和高风险的才升级给昂贵的推理模型或者真人。这个漏斗里，System One 模型赚的不是 LLM 的钱，是 LLM 前面那 90% 流量本不该花的钱。

一个不会写句子的模型，逼着所有人重新回答一个问题：我们到底需要机器「智能」，还是需要机器「有用」。过去三年，我们把这两个词想当然地绑在了一起。Jev 把它们拆开，甩在桌上。

至于两年后回看，这次发布算不算「新范式」，说实话我不知道。但有件事我现在就确定：一个连“你好”都说不出口的模型，让全行业的聊天机器人集体紧张了一个星期。就冲这个，它也够写进这一年的 AI 史了。

这个系列我打算接着拆下去：

• ▪ 架构篇：并行采样器和 RLCD 训练法到底在赌什么，为什么说它跟 Transformer 自回归是两条路
• ▪ 上手篇：Choice / Score / Noul 三种题型的 API 实操，把手头某个 LLM 分类环节换成 Jev 要改哪几行代码
• ▪ 工程篇：「Jev 当闸门，LLM 当大脑」的漏斗架构怎么落地：阈值、灰区、升级策略、审计回路
• ▪ 对决篇：拿同一批真实业务数据，Jev vs 小参数 LLM vs 大模型 JSON mode，成本和准确率摆开了算

想追读的可以先收藏，或者直接留言你最想先看哪一篇。

※ ※ ※

信息来源：TypeSafe AI 官方发布与评测站（evals.typesafe.ai，2026-09-14/15）；Techmeme（融资报道）；The Cherry Creek News 对 Jev 宣称数据的核查（2026-09）；Near Here 50 条真实审核任务实测（转引自上述报道）；DataCamp《Jev: TypeSafe's System One Model》；wotai.co 十六模型对照实测（2026-09-18）；rickhigh.substack 与 dev.to 社区评论。文中所有厂商数据均标注了出处口径，独立实测与官方宣称不一致处以独立实测为准。