核心观点 - AI模型Jev专注于快速、廉价、概率化的判断任务，而非生成式对话，旨在适应Agent时代海量自动化决策需求[4][5][8] - 创始人Diogo Almeida反思RLHF训练范式，认为其导致AI过度依赖人类反馈，不适合真正的自动化系统[26][27][30] - Jev通过RLCD训练方法实现校准概率输出，成本降低444.6倍，速度提升193.6倍，输入每百万Token仅0.042美元[7][44][45] 模型能力与定位 - Jev不聊天、不写代码、不生成答案，只做判断：Noul（是/否）、Choice（多选）、Score（打分）[4][55] - 端到端延迟70-500毫秒，比前沿模型快20-200倍，价格低40-400倍[42] - 输出直接返回判断和概率，不生成Token，专为软件调用设计[40][50] - 被称为System One Model，对应卡尼曼的快速直觉判断系统[56][57] 性能与成本数据 - TypeSafe测试中最高提速约193.6倍，成本最多降低444.6倍[7] - 输入每百万Token 0.042美元，输出Token免费[7] - 40秒分析724条实时广告，做出8724次判断[5] 创始人背景与反思 - Diogo Almeida曾在OpenAI参与GPT-4、ChatGPT及InstructGPT/RLHF工作[12] - 他公开批评ChatGPT，认为RLHF导致模型“过度承诺”成为特性[13][34] - 指出当前AI擅长协助而非自动化，Claude Code仍属协助时代[20][23][24] 自动化与Agent时代需求 - 真正自动化要求人不在场，AI后台自主判断执行，每日运行数十万至数百万次[25] - Agent运行产生海量小判断：工具调用、按钮点击、任务完成检查等[52] - 高频小决定由Jev处理，复杂推理交给大模型，形成分层架构[54][56] RLCD训练方法 - 校准决策强化学习（RLCD）确保模型概率输出可信：80%概率事件实际约80%发生[44][45] - 99%把握直接执行，51%把握转交更强模型或人工[47][48] - 解决AI“不知道自己不知道”的核心问题[49] 行业影响与命名来源 - 模型名Jev源自杰文斯悖论：资源变便宜反而使用更多[58] - 若AI判断成本极低，邮件、日志、工具调用等每一步都可能加入判断[59][60] - LangChain已开始测试Jev作为Agent评估器[5]