2026年9月中旬，一款叫Jev嘅AI模型突然喺矽谷同開發者社群迅速走紅。佢由前OpenAI研究員、InstructGPT論文共同作者Diogo Almeida創立嘅TypeSafe AI推出。唔同於ChatGPT、Claude等生成式大模型，Jev定位為「System One模型」——佢唔會寫文章、唔會傾偈、唔會生成代碼，只做一樣嘢：喺指定選項中快速回應帶校準機率嘅結構化決策。
發佈僅幾日，Jev就被Vercel、Cloudflare、LangChain等主流平台接入；內測一開放短時間內吸引大量開發者湧入，相關開源項目、瀏覽器Agent、交易機械人等Demo層出不窮。佢嘅爆紅，標誌住AI由「識講嘢」向「能可靠決策」一次重要嘅轉向。
核心原理：由生成文本到類型化決策
Jev嘅設計理念直接借鑒咗丹尼爾·卡尼曼喺《思考，快與慢》中提出嘅「系統一」同「系統二」劃分。大型語言模型比較接近慢速、深思熟慮嘅「系統二」；而Jev瞄準嘅就係快速、直覺式嘅「系統一」判斷。
具體工作方式如下：
開發者向模型輸入一段非結構化狀態（state，可以係文本、日誌、頁面描述、交易數據等），並同時提交一組預先定義好嘅類型問題。問題類型主要有三類：
- Choice：從最多255個預設選項中揀一個；
- Score：按指定標準打分；
- Noul（或布爾類）：俾出「是/否」嘅機率判斷。
模型喺一次並行前向計算中回答所有問題，返回結構化結果同校準後嘅置信度/機率，而唔係逐token生成自然語言。因為答案被嚴格限制喺開發者定義嘅選項集合內，喺機制上消除了格式錯誤同「編造不存在選項」嘅幻覺。
訓練方法上，TypeSafe採用自研嘅RLCD（Reinforcement Learning for Calibrated Decisions），優化目標唔係「人類更鍾意邊個回答」，而係「機率係咪誠實」——講70%時，真實準確率應該接近70%。呢點令輸出置信度有更高嘅可解釋性同工程可用性。
性能數據方面，官方話端到端延遲通常喺70–500毫秒，遠低於前沿大模型處理同類決策任務所需幾秒至幾分鐘；定價為每百萬輸入token約0.042美元，輸出唔計費。因為唔需要生成文本，成本結構同生成式模型差異顯著。
應用場景：Agent嘅「智能if語句」
Jev最自然嘅定位係作為AI Agent系統入面嘅決策層，與生成式大模型形成互補：大模型負責理解、生成同開放式推理，Jev負責路由、篩選、打分同門控。
目前已出現嘅典型場景包括：
- Agent工具選擇與路由：喺多個可用工具或下一步動作之間，快速決定調用邊一個，並畀出置信度，用嚟判斷是否需要人工介入。
- 瀏覽器與電腦操作Agent：觀察頁面狀態後，並行決定點擊邊個元素、輸入乜嘢、是否滾動等，顯著降低多步互動延遲。已有項目用佢完成航班搜索等真實任務。
- 代碼審查與質量門控：對Pull Request進行快速分類或風險打分，成本極低，可支持大規模自動化審查。
- 內容審核與安全過濾：喺預設類別中判斷風險等級，適合高並發、低延遲場景。
- 交易與實時系統：部分開發者將佢接入鏈上/鏈下數據流，嘗試高頻決策。但實測結果參差，有公開案例顯示短時間內出現明顯虧損，提醒佢嘅準確性仍處於早期階段。
- 其他：無人機避障邏輯、客服工單分診、搜索結果排序輔助等。
社群已形成「Jev Engineering」實踐：生成交畀LLM，決策交畀Jev，精確規則交畀代碼。呢種分工被認為有助於構建更可控、更低成本嘅自主系統。
可能影響與挑戰
Jev嘅出現，強化咗一個趨勢：通用大模型並非解決所有問題嘅最優解。喺需要高頻率、低延遲、強類型安全嘅決策環節，專用模型可能更高效。佢降低咗「叫AI做選擇題」嘅成本，令開發者可以將更多判斷從脆弱嘅prompt工程同JSON解析中解放出嚟。
對Agent架構而言，呢可能推動「LLM + 決策模型 + 確定性代碼」嘅三層模式進一步普及。對邊緣設備同實時系統，低延遲同低成本亦打開咗新嘅部署空間。
但挑戰同樣明顯。Jev唔能做開放式推理或生成新選項，問題設計質量會直接決定效果；校準機率嘅可靠性需要喺真實業務數據上驗證；早期交易類Demo嘅虧損案例顯示，唔可以簡單將佢當成「印鈔機」。此外，模型本身閉源托管，生態依賴API可用性同定價穩定性。
總體嚟講，Jev唔係要取代大模型，而係補上自動化鏈條中長期被忽視嘅一環——快速、可量化、類型安全嘅判斷。佢嘅爆紅，反映開發者對「真正可以嵌入生產系統嘅AI決策能力」嘅強烈需求。隨住更多System One類模型出現，AI Agent有望由「識傾偈、識寫代碼」進一步走向「能穩定、低成本咁做決策」。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎訂閱我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚、訂閱同分享，係對我哋最大嘅支持！🙏
更多AI新聞請瀏覽：https://www.airosetta.com