GPT 它爸造了个不会聊天的 AI：Jev

⏰ 时效声明：本课内容整理自原文发布时（2026-09-18）的报道，性能数字为官方自报，截至原文发布时。

以下来自 @dboy_yi2025 的"读不懂也要读懂"系列。标题很抓人："当年教 AI 怎么听话、怎么跟人聊天的人，现在造了一个不会聊天的 AI。"

主角是 TypeSafe 公司 2026-09-16 发布的新模型 Jev。它不会聊天、不会写代码、不会看图——它只干一件事：做决定。输出不是句子，而是"选哪个 / 打几分 / 是或不是" + 一个 0 到 1 的把握度。

以下来自 @dboy_yi2025。"GPT 它爸"指的是创始人 Diogo Almeida——OpenAI RLHF 和 InstructGPT 研究的核心人物，也就是 ChatGPT 技术底子的关键缔造者之一。

公司 TypeSafe 刚结束两年隐身，拿到 4000 万美元融资，团队来自 OpenAI、Google Brain、Meta、FAIR。

创始人的原话："我们一直在教 AI 怎么说话，从没教过它怎么做决定。"——这句话就是 Jev 的全部立项理由。

以下来自 @dboy_yi2025 的解释。聊天模型的输出是自由文本——句子是现编的，格式是"大概齐"的。接进软件系统会怎样？原文的原话："万一它哪天说顺嘴多蹦出一个字，系统就可能崩。"

Jev 的解法：输出字段全部提前定死格式。它不生成句子，只返回决定（选哪个选项 / 打几分 / 是或不是）加一个把握度。下游系统拿到的永远是结构化的数据，不会"说顺嘴"。

作者还借了卡尼曼《思考，快与慢》的概念，称 Jev 为"系统一模型"——像人的快思考：不写小作文，直接拍板。

以下来自 @dboy_yi2025，数字均为官方自报。演示：接《毁灭战士》游戏，Jev 每秒做 10 次决定，玩一小时花 7 美元。

原理：它一口气算出所有候选答案的概率，不需要像聊天模型那样逐字往外蹦——"逐字等待"这个环节直接没了。

官方 claim：比前沿大模型快 20–200 倍（最高 193 倍），成本低到 1/40–1/400；定价：输入每百万 token 0.042 美元，输出免费。

对比一下：第 01 课 Fable 5 的输出是 $50/每百万 token——Jev 的输出直接免费。当然，它俩干的不是同一种活（见第六节）。

以下来自 @dboy_yi2025。Jev 的名字来自杰文斯悖论（Jevons Paradox）：蒸汽机效率提高之后，煤反而用得更多了——因为便宜了，用得起的场景变多了。

映射到 AI：智能的成本每降一个数量级，应用场景就多一个数量级。Jev 赌的就是这件事——当"做一个决定"的成本塌到接近零， previously 划不来的自动化场景（每秒 10 次的游戏决策、海量实时分类）全都会冒出来。

这与本专题第 08 课（Jalapeño 芯片降本）是同一个大逻辑：降本不是省钱，是开疆。

以下来自 @dboy_yi2025，这是 Jev 能"真撒手"的关键。Jev 输出的把握度是校准过的：它说 0.9，意思就是十次里真对九次——不是随口一说的"很有信心"。

校准过的把握度有什么用？可以设阈值：比如"把握度 0.85 以上自动执行，以下转人工"。机器处理大多数，人工只看少数拿不准的——自动化 + 人兜底的完整闭环。

对比聊天模型：它说"我很确定"的时候，你永远不知道这是 70% 还是 99%——没法写进自动化流程。

以下来自 @dboy_yi2025，原文明确提醒三点：

① "快几百倍"全是自报。Jev 目前只给排队申请的用户用，外界无法独立复现——数字先打个问号。

② "不会说错格式" ≠ "不会做错决定"。格式稳定解决的是"系统不崩"，决定对不对是另一回事——校准过的把握度是 mitigation（缓解），不是 immunity（免疫）。

③ 它不是聊天模型的替代品，是分工。Jev 不做聊天、不做代码、不看图，选项最多 255 个——超出这个范围的开放问题，还得聊天模型上。

作者的定位：Jev 和聊天模型是分工关系，不是替代关系。拍板归 Jev，聊天归聊天模型。