暂时忘了ChatGPT,去试试Jev吧！

你最近应该已经多次刷到过Jev，但还没有着手尝试，也不一定搞懂了它是个啥。 这是一个很奇怪的AI 产品。不会跟你聊天，不会写文章，不会写代码，甚至不会给你生成一句完整的话。 9月15日发布到现在，却热度不减。 最开始的热度来自创始人本身。 Diogo Almeida，是前 OpenAI 研究员，参与了RLHF 研究，是让 ChatGPT 变得“会说话”的人之一。 他创立的公司叫TypeSafe AI ，刚刚宣布完成 4000 万美元种子轮融资。 Diogo Almeida 认为，AI 行业可能在一个关键问题上走偏了。 他在 X 上发帖称，共同发明 ChatGPT 之后，就一直问自己，为什么超人类聊天模型没有带来 AGI？ 过去 2 年，他一直在隐秘中构建一种新的模型训练方法（RLCD），由此拿出了一种新型的前沿 AI 模型Jev。 “据我所知，这是通往基于 AI 的经济革命的最短路径”。他说。 价格也是Jev 出圈的另一个原因。 TypeSafe 目前给出的价格是每百万输入 token 约 0.042 美元，也就是每十亿输入 token 42 美元，输出不收费。 官方称，在特定的 System One 任务上，Jev 相比同类前沿大模型可以达到约 20—200 倍速度、40—400 倍成本优势；官方公布的端到端响应时间约为 70—500 毫秒。 但更重要的走红原因，还是 Jev 开启的完全不同 的 AI 产品形态，及路径逻辑。 发布 Jev 时，Diogo Almeida 还宣布一种新的模型类别System One Models。 名字来自心理学家 Daniel Kahneman《思考，快与慢》中的“系统1”和“系统2”。 简单说，ChatGPT 更像一个需要思考、推理、写答案的 AI 助手。 Jev 则更像人的直觉判断。 比如，看到一封邮件，它不需要告诉你为什么，而是直接判断，是不是垃圾邮件？看到一张客服工单，它不需要写分析报告，而是直接判断，应该交给哪个部门？看到一个 AI Agent 刚刚执行完一项任务，它不需要长篇点评，而是直接判断，通过，还是不通过。 所以，Jev 最核心的区别就是，ChatGPT 是给人看的，Jev 是给软件用的。 传统大模型的基本工作方式，是输入文字，输出文字。 比如，你问它，“这条客服消息应该归到哪个部门？”它可能回答，“根据用户描述，这个问题主要涉及订单退款，因此建议将其转交给售后团队处理……” 对人来说，这没什么问题。 但对于软件来说，这就很麻烦。程序真正想要的可能只有一个值，“售后”。但它还得从 AI 的一大段话里把答案解析出来。而下一次，模型还可能换一种说法。 所以开发者过去一直在想办法给大模型套上 JSON、Structured Output、Function Calling 等各种约束，让它说话的时候尽可能像一个程序。 Jev 的解决方案就是，干脆不要让 AI 说话。 你给它一份“状态”，再给它几个已经定义好的问题。 它只返回程序能够直接使用的结构化结果。 比如，状态：用户说“我的信用卡被扣了两次钱，而且鞋子尺码也发错了”。 问题一：应该交给哪个部门？ 它只能在“退换货、账务、物流”里面选择。 问题二：用户是否要求退款？ 回答一个 0 到 1 的概率。 问题三：用户是否处于高情绪状态？ 还是一个判断。 Jev 目前主要有三种问题类型。 第一种是 Choice，也就是选择题。 你给它几个确定选项，它选择其中一个，并给出各个选项的概率。 第二种是 Score，也就是评分。 你可以定义几个等级，让它判断一份材料处于什么程度。 第三种是 Noul，可以理解成判断题。 答案就是“是”或者“否”，同时返回相应概率。 最重要的一点是，这些问题可以一次性并行处理。 也就是说，一条客服记录过来，你可以同时问它，是不是退款请求？是不是投诉？应该分给哪个部门？客户情绪是否激烈？是否需要人工介入？ 然后，一次拿回全部结果。而不是每一个问题都生成一段文字。 与之相比，ChatGPT 的强项是开放式任务。 写一篇文章、分析一份报告、写代码、做复杂推理、跟人对话，这些都需要语言生成。 Jev 则把任务缩小到了一个非常具体的范围 ，即判断。而且是可以提前定义答案范围的判断。 TypeSafe 说，Jev “不会幻觉”。这就很容易理解了。 当然，不是说 Jev 永远不会判断错。 而是说，你给它规定了三个答案，它不会突然创造第四个答案。 这也是为什么 Jev 特别强调 probability 和 confidence。 它不仅告诉你答案，还告诉你自己有多大把握。 于是软件就可以自己决定，95%以上，自动处理；60%，交给人工确认；30%，直接转给更强的大模型。 现实情况也是， AI 应用场景里，确实藏着大量这样的“小判