一句话看懂：前 OpenAI 研究员、InstructGPT 论文作者 Diogo Almeida 发布新模型 Jev，它跳过自然语言生成，直接输出结构化决策和概率，官方称在判断类任务上快 20-200 倍、成本低 40-400 倍。这代表一条有别于「更大更聪明」的实用主义路线，目标是把智能做成软件里廉价、高频的调用。
事件核心：发生了什么
Diogo Almeida 曾在 OpenAI 参与早期 ChatGPT 相关工作，也是 InstructGPT 论文作者之一。他今天正式发布 Jev，并披露过去两年在 stealth 状态下研究的新训练方法 RLCD（Reinforcement Learning for Calibrated Decisions）。Jev 的定位不是聊天模型，而是决策模型：输入问题后直接输出结构化结果和概率，不生成自然语言正文，也不需要外部软件再解析一段文本或 JSON。
典型场景包括判断一笔交易是否欺诈、把用户分配到哪条流程、下一步调用哪个工具、一个请求该批准还是拒绝。官方给出的数据是：这类任务上速度快 20-200 倍、成本低 40-400 倍、输出 Token 免费、延迟最低约 70 毫秒。目前公开信息显示，Jev 是面向高频、低延迟、可编程决策的模型，而非通用对话产品。
为什么重要
当前 Agent 的主流做法是把所有环节交给一个大模型：读上下文、推理、生成文字、再调工具。这套流程在小规模演示时可行，但规模上来后，成本和延迟很难压下去。Jev 的思路是把「说」和「判断」拆开——大模型只负责少量复杂推理和规划，Jev 这类模型负责海量、毫秒级、接近普通代码成本的决策，类似认知科学里的 system1 与 system2 分工。
更关键的是 RLCD 的训练目标。它不追求把答案说得更好，而是让模型在声称有 90% 把握时，实际正确率也接近 90%，也就是校准（calibration）。对需要落到软件里的自动决策来说，可信的概率比漂亮的文字更有用。同一时间，TypeSafe 宣布完成 4000 万美元种子轮融资，由 DCVC 领投，说明资本开始押注「把智能塞进每一处判断」这条基础设施路线。
对用户/开发者/创作者的影响
对开发者来说，最直接的变化是决策环节可能不再需要调用通用大模型 API。如果 Jev 类模型能以接近普通代码的成本提供结构化输出，那么风控、路由、审批、工单分派这类高频逻辑，用模型替代一部分 if-else 和规则引擎将变得现实。开发重心会从「写提示词让模型说清楚」转向「定义决策空间和置信度阈值」。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对企业和普通用户，这类模型通常不会直接出现在前台，而是嵌进产品后台，所以体感是自动化流程更快、更稳、更便宜，而不是多一个聊天入口。对创作者，影响相对间接，但如果视频、图像生成等工具的平台侧靠这类模型做内容路由和审核，上传、审核和分发的响应速度可能改善。需要注意的是，官方数据来自发布方，实际落地表现仍需第三方验证。
值得关注的后续
一是 Jev 是否提供可用的 API、定价和并发能力，以及「输出 Token 免费」的具体计费方式；二是 RLCD 的校准效果是否有第三方复现或基准测试，尤其在高风险场景下的错误率；三是 OpenAI、Anthropic 等闭源厂商以及开源社区是否跟进这种「非生成式决策模型」形态，Agent 架构会不会真的分化为规划层加决策层。
来源：@MaxForAI
