前OpenAI大佬打造“闭嘴”大模型，2400万人围观的AI新趋势

type

status

date

slug

summary

为什么我们需要一个“闭嘴”的AI？

过去几年，大模型的进化方向始终围绕着“更强的对话能力”展开。无论是写诗、写代码还是长篇大论地解释概念，现代AI都表现得游刃有余。然而，当我们试图将这些模型接入自动化软件系统时，它们“太爱说话”反而成了一个致命的缺点。

假设你的自动化工作流需要判断一封客户邮件是“投诉”、“退款”还是“咨询”。传统的通用大模型会逐个Token生成一段自然语言：“根据用户的描述，我认为这封邮件属于投诉，因为……” 随后，开发者必须编写复杂的正则表达式或代码，从这段冗长的文本中提取出“投诉”这个核心字段。这种自回归生成方式不仅速度慢、成本高，而且极易出错。

Jev（TypeSafe推出的首款System One Model）给出的解决方案极其粗暴且有效：直接放弃自由文本生成。它遵循“非结构化状态进去，带类型的概率决策出来”的原则。你提前设定好需要的选项，模型读取输入后，直接且并行地输出结构化的决策及其置信度。没有废话，没有中间的推理过程生成。据官方数据显示，这种方式让响应速度提升了20到200倍，成本最高可降至原来的1/400。这种对效率的极致追求，正是当前AI变现和商业化落地过程中最渴求的能力。

颠覆传统的RLCD训练法：告别RLHF

Jev不仅在输出形式上进行了创新，其背后的训练方法也极具颠覆性。TypeSafe提出了一种名为RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）的新方法。这个命名本身就是对当前主流RLHF路线的一种反思。

RLHF的核心在于迎合“人类的偏好”，训练模型生成听起来连贯、讨人喜欢的长篇大论。但在每天执行数百万次的自动化软件中，程序并不需要AI的讨好，它只需要知道两个核心信息：答案是什么？这个答案有多确定？

RLCD将“校准（Calibration）”放在了首位。这意味着，如果模型对某个判断给出90%的置信度，那么在统计学上，这类判断就必须真的有90%的准确率。这种“认识论上的诚实（epistemically honest probabilities）”让AI不再是一个只会生成字符串的黑盒，而是变成了一个可以随时插入代码中的“模糊if语句”。如果概率高于95%，程序自动执行；如果只有40%，则转交给更强大的模型（如claude或GPT-4）处理，或者直接交由人工审核。

“零幻觉”的真相与争议

TypeSafe在宣传中打出了一个极具争议的标签：Jev“不会幻觉”（0% hallucination）。在AI门户和各大技术论坛上，这立刻引发了广泛的讨论甚至嘲讽。

我们需要厘清这里的“幻觉”定义。传统意义上，大模型的幻觉是指一本正经地胡说八道，编造不存在的事实。这是因为语言模型的本质是预测下一个词，在面对未知信息时，它们倾向于“猜”一个答案以获取奖励。

而TypeSafe强调的“零幻觉”，是指“类型安全（Type Safety）”。因为Jev不自由生成文本，只在预设的选项中做选择，所以它绝对不会向自动化系统输出一个程序根本无法解析的意外字符串（比如在“投诉/退款/咨询”之外，突然造出一个“严重投诉”）。这解决了程序“能不能处理”的问题。

然而，这并非没有争议。有开发者在短短两小时内，用开源的小模型（如Qwen2.5-1B）复刻了类似的JSON分类器功能，并指出并行结构化输出并不是什么高深莫测的魔法。质疑者认为Jev是在玩文字游戏。但无论如何，Jev确实提供了一种有效规避广义幻觉风险的工程思路：不要逼迫模型在不确定时给出斩钉截铁的答案，而是将不确定性本身结构化地输出。

小而美的实用主义：AI落地的未来方向

Jev的爆火，表面上看是一个“JSON分类器”的狂欢，实际上反映了整个行业对AGI狂热追求后的一种冷静回归。

过去，我们习惯于用复杂的提示词（Prompt）去调教庞大、昂贵的全能模型，试图用“牛刀”去杀“鸡”。但真实世界中，数量最庞大、对延迟和成本最敏感的，往往是那些枯燥的分类、打分、路由等基础任务。Jev主动剥离了聊天和写作能力，将模型能力压缩到“刚好够用”的程度，这种“贴地飞行”的产品理念，为我们展示了另一种AI落地的可能性。

证明一个模型足够强大，是展示技术上限；而证明一个模型能以极低的成本、极高的稳定性解决海量重复问题，则是商业价值的体现。在未来的AI生态中，不仅需要无所不能的超级大脑，同样需要Jev这样精准、高效、且“沉默是金”的系统齿轮。

了解更多关于大模型前沿趋势、获取每日精选AI日报以及探索最新的AI工具与变现策略，欢迎访问专业的AI资讯平台：https://aigc.bar。在这里，我们将持续为您追踪全球人工智能的最新风向。