TypeSafe AI 于 2026 年 9 月 15 日发布 Jev——一个没有聊天、没有代码生成、没有散文的前沿模型，输入价格 $0.042/百万 token，输出 token 免费。创始人 Diogo Almeida 是 RLHF 与 InstructGPT 的联合发明人——这一研究谱系最终成为 ChatGPT——他花了两年隐身期构建这个他称为新模型类别的东西：System One Models，用名为 RLCD（Reinforcement Learning for Calibrated Decisions）的方法训练。发布推文一天内获得 2500 万浏览、6.1 万点赞。
这次发布值得认真对待的原因在于论证的形式。TypeSafe 随公告发布了"我们热爱怀疑者"章节——预先公布了反对自己的理由，还开源了 MIT 许可的适配器让任何人可以在竞品模型上重跑对比，并上线了带逐案分歧走查的实时评测仪表盘。本指南认真对待这些材料：每一条承重声明，对照可独立验证的证据。
After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI? I've spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev.
— @CompleteSkeptic 2026 年 9 月 15 日
发布了什么
9 月 14-15 日同日发布了三件东西，背后是 DCVC 领投的 4000 万美元种子轮（公司 2024 年创立于旧金山，联合创始人包括 CTO Erik Gafni 与 COO Sasha Sheng，后者来自 Meta/FAIR）：
1. 新模型类别："System One Models"。名字取自卡尼曼的快速直觉认知。首个实例 Jev 只做五件事：分类、路由、打分、抽取、分支。TypeSafe 的用例定位是"聪明的 if 语句"——结构化输出作为模糊决策规则嵌入普通软件。明确不做的：聊天、写代码或散文、解释推理（根本没有可用的解释——这是合规敏感的缺口）、接受图片或音频输入、调用工具、超过约 3.2 万 token 预算。
2. 新训练方法：RLCD。RLHF 优化人类偏好，RLVR 优化可验证奖励，RLCD 则优化"校准的决策"——答案带有认识论上诚实的概率。每个输出都带置信度分数，卖点是高置信度确实与高准确率相关。
3. 新架构主张：并行采样。LLM 逐 token 生成，每个 token 条件于前一个。Jev 在单次查询中同时回答所有问题。公司将其类比于"Transformer 跳跃 RNN 的方式"，并指出在请求中增加更多问题不会产生上下文污染——因为每个问题都是独立评估的。
为什么做一个不能写文本的模型
论点来自 Almeida 的发布公告：模型在聊天上已经超人多年，自动化却没有跟上——因为字符串昂贵、缓慢，且恰好在这一步不可靠。字符串需要解析和校验；它们会产生幻觉；会脱轨。放弃字符串换来三个普通 LLM 无法承诺的性质：无类型错误（输出形状预先定义——违反它"在数学上不可能"）、每个答案带校准概率、并行采样带来低成本。
线程第二条推文把代价挑明："收益不是免费的：Jev 不能生成文本。"第三条推文给出定价与命名：输入 $42/十亿 token（$0.042/百万），输出 token 免费——"便宜到不用计量"——名字致敬杰文斯悖论：效率提升反而增加总消费，因为智能成本每降一个数量级，就会解锁以前不存在的用例。
RLCD 与 RLHF：承重声明
这是整个发布押注的声明，值得最严格的审视。RLHF 通过优化人类偏好让模型听话；RLVR 优化程序可验证的输出；RLCD 优化"校准决策"——模型不是因为在单次采样中正确而受奖励，而是因为它的概率是诚实的——当它说 80% 时，大约 80% 的时候应该是对的。
为什么重要：一个 95% 准确但从不传达自己何时处于那 5% 的分类器，无法被自动化。置信度分数就是产品本身。TypeSafe 文档描述了三段路由模式——高置信度自主执行，中置信度确认或补充信息，低置信度升级到人或更大的模型——阈值按操作的爆炸半径逐个设定（他们的例子：approve_transfer 要求置信度高于 0.9，check_balance 不需要）。
问题也要直说：校准有效没有公开证据。没有论文、没有可靠性曲线、没有期望校准误差数字、没有消融实验。文档自己收窄了主张——校准"在预测组层面测量；不保证单个答案正确"。在 Hacker News 发布帖中，公司没有回答的两个问题恰好是 RLCD 目标函数问题和校准维持问题。这是整个发布最大的未决问题。
API 形态
整个产品就是一个端点——POST https://api.typesafe.ai/v1/systemone——请求形态刻意不同。发送 state（非结构化字符串、对象或数组）、模型（jev-latest）和一组类型化问题。三种原语：
| 原语 | 形态 | 返回 |
|---|---|---|
| Noul（是/否） | 可选的 true/false 两个分支的判据 | [0,1] 的值——注意不带置信度字段 |
| Choice | N 选一，每项带判据 | argmax 选择、完整概率表（和为 1）、置信度 |
| Score | 有序量表打分（≥2 级） | 概率加权分数（可落在两级之间）、图例、概率、置信度 |
POST https://api.typesafe.ai/v1/systemone
Authorization: Bearer $KEY
{
"model": "jev-latest",
"state": {
"ticket": "Safari 18 登录死循环，Chrome 正常",
"account": { "plan": "pro", "age_days": 412 }
},
"questions": {
"should_escalate": { "type": "noul",
"criteria": { "true": "重复联系或流失信号",
"false": "首次可解决" } },
"next_action": { "type": "choice",
"criteria": { "refund": "...", "debug_session": "...",
"knowledge_base": "..." } },
"urgency": { "type": "score",
"criteria": ["low", "normal", "high", "critical"] }
}
}Almeida 在 Hacker News 上把三种原语映射到代码："'choice' 对应 match 语句，'score' 对应排序，'noul'（Bernoulli 的简写）对应 if 语句。" 实际约束：Choice 选项上限 255（超过则组合两阶段 score-then-choose，延迟增加）、无图片音频输入、与 OpenAI chat-completions 不兼容——一家网关博客总结为"调用它需要定制客户端，而不是换个 base URL"。Python 和 JS SDK 已发布，还有 agent skill（npx skills add typesafe-ai/skills --skill typesafe-ai）。
经济账
同一次发布里存在三种定价口径，这本身就是值得报告的事实：
| 来源 | 速度口径 | 成本口径 |
|---|---|---|
| 发布推文 | 快 20–200 倍 | 便宜 40–400 倍（输出免费） |
| 公司首页 | 快 193.6 倍 | 便宜 444.6 倍"基于 System One 任务工作流" |
| Business Wire 通稿 | — | "最高 100 倍" |
首页的倍数来自 TypeSafe 的 工作流评测仪表盘——四个已发布工作流（客服分诊、安全事件响应、agent 轨迹可观测、发票处理），每个拆解为原子问题、由所有模型经过同一代码沙架回答。Jev 在那里公布的数字：每案例 $0.0001–$0.0011、0.3–0.5 秒；对比的前沿模型为 $0.03–$0.18。厂商自己的演示经济账：并排对比 $0.000081（0.114 秒）vs GPT-5.6 Terra 的 $0.013880（8.566 秒）；Doom 演示以每秒约 10 次决策运行，成本约 $7/小时。
成本足迹是真实且一致的：$0.042/百万 token 出现在博客、首页、X 线程、LLMReference 和 Vercel 的 AI Gateway 列表五处，且两位独立测试者实测成本在同一区间。未确立的是可持续性——免费输出 token 加 4000 万美元种子轮，在证伪之前是补贴形态的安排，TypeSafe 自己也这么说："我们无法证明它没有补贴。" 首页"输入价格比 Claude Fable 5.1 低 238 倍"的对比也忽略了 Anthropic 的缓存与批量折扣，有报道指出。
逐条声明证据核查
下表是本指南的核心——每条承重声明，评定等级。"已验证"指独立复现或可机械检验；"仅厂商"指你在信任 TypeSafe 的材料。
| 声明 | 状态 | 细则 |
|---|---|---|
| 输入 $0.042/百万 token，输出免费 | ✅ 已验证（5 个一致来源 + 独立实测） | 厂商自己承认可持续性未证实；"永远"是承诺，不是合同条款 |
| 70–500ms 延迟 | ✅ 已验证（评测仪表盘每案例 0.3–0.5s；Every 实测中位数 0.35s；Near Here 平均 0.59s） | 所有评测"在西海岸用笔记本跑"——没有负载下的 p50/p99、没有速率限制、没有 SLA |
| 并行采样有效 | ✅ 已验证（Every 测试 777 次判断 <0.7s；单调用并行 Choice 已确认） | 行为是真的；新颖性有争议（见反响章节） |
| 无类型错误 | ✅ 已验证（模式符合性是数学保证；475+ 条 HN 评论无反例） | 保证答案的格式，不是真值——合法形状里的错误答案仍可能 |
| 校准置信度（RLCD 的全部意义） | ❌ 仅厂商——无论文、无可靠性曲线、无 ECE 数字、无消融 | 文档承认校准是组级别，不保证单答案；Hacker News 上未被回答的两个问题恰好是这两个 |
| "不会幻觉" | ❌ 厂商框架 | 把类型安全与真值混为一谈；厂商脚注承认 0% 这个数字"不是经验的" |
| 工作流上快 193.6 倍 / 便宜 444.6 倍 | ⚠️ 厂商工作负载峰值 | 对照昂贵的前沿推理模型在 TypeSafe 自己的工作流上成立；独立实测约 5–25 倍，取决于对比对象 |
| 工作流准确率 | ⚠️ 厂商仪表盘 | 综合 67.8% vs Opus 5 的 73.1% 与 Sol 的 74.1%——诚实的说法是帕累托前沿经济学，不是峰值智能 |
| 生产就绪 | ❌ 仅早期访问 | 零具名客户、零收入披露、候补名单准入 |
独立测试结果
目前有两个早期独立实测，都小但都有信息量。
Every（评测负责人 Mike Taylor）：把 27 篇已发布文章加 10 篇 AI 风格对照文，各过 21 个问题、共 37 份文档——777 次判断在 0.7 秒内完成，成本约四分之一美分。第二项由 Every CEO 执行：12 段合成文本（6 干净、6 埋了缺陷）——Jev 中位数 0.35 秒/段 vs Claude Fable 5.1 高推理档的 8.83 秒（约快 25 倍、成本约 1/580）——但 Jev 漏掉了七个埋设缺陷中的一个，而对照模型抓到了。Taylor 自己的结论："它把活干得多好，仍是悬而未决的问题。"
Near Here（独立工程师）：50 案例的事件校验任务——Jev 得分 96%（48/50），对比 Mistral Small 4 的 84% 与 Gemini 3.5 Flash-Lite 的 86%；合法事件零误拒（对照模型分别误拒 5 和 1 个），成本每 1,000 次决策 $0.043，对比 Gemini 模型的 $2.496。这是产品最好的独立证据：在狭窄的真实任务上，便宜的模型同时是最准的和便宜两个数量级的。
两项测试都是单任务、小样本。诚实的解读：在可并行、有模式形状的决策任务上，成本与延迟优势是真的；在一般判断质量上，前沿模型仍然领先——Jev 自己的仪表盘也同意这一点。
反响与"分类器"承认
Hacker News 讨论帖（475+ 评论）产生了本周最尖锐的技术辩论。工程师们在数小时内把 Jev 映射到已知技术：编码器分类器（BERT/DeBERTa）、GLiNER 类 span 模型、带 logit 置信度的受限/文法解码、文本扩散、共形预测、DSPy 类型化签名。当夜就有人发起了复现（称无需新训练——该复现本身无人验证）。关键交锋：当有人说"这基本上就是一个零样本分类器"时，Almeida 回复了"exactly right!"（完全正确）——对一个以新模型类别为框架的发布来说，这是引人注目的让步。他也拒绝披露架构（"暂时保密"），对受限解码的回应是 OpenAI 式结构化输出"让模型变笨……仅仅遮蔽 logits 是不够的"，并用"说随机森林'幻觉'并不公平"来辩护幻觉语义。
也有反向的砝码，影响你如何权衡这一切：TypeSafe 预先公布了反对自己的怀疑者案例，开源了 MIT 适配器让外人能在自己的工作流上重跑对比，并在评测站发布了逐案分歧走查。对于一次前沿模型发布来说，这是不寻常的证据姿态——即使那些主张仍未被证明。
注意事项
三个标题的问题。同一次发布带着 20–200 倍/40–400 倍（推文）、193.6 倍/444.6 倍（首页）和"最高 100 倍"（官方通稿）。Progressive Robot 的框架最诚实：峰值是工作负载特定的、对着前沿推理模型的，"只引用峰值的标题，引用的是最好的情况"。
评测方法有已披露的偏差。参考标签是 GPT-6 Astra 与 Claude Fable 5.1 的平均值（厂商承认这"偏向 OpenAI 和 Anthropic 的模型……我们可能低估了自己的模型"——但与共识一致不等于正确，两边共有的错误无法被检出）。工作流由 TypeSafe 自己的团队构建（"可能存在一些偏差"）。LLM 对比组经过 TypeSafe 自己的包装器，"比不带概率地给决策更慢更贵"。LLM 类型错误数字来自 OpenRouter，厂商承认有路由偏差——与之并列的是 Jev 非经验的 0%。
演示的注意事项。Doom 机器人跑在结构化游戏状态上，不是视觉——厂商自己注明非 AI 机器人玩得更好。Wikiracing 让对照模型跑在非推理档"为了让演示更适合观看"，Choice 基数上限 255。
实用结论
如果你的产品有高频决策层，试试 Jev：工单分诊、内容审核路由、线索评分、告警分类、LLM 输出护栏。经济账是真实且经独立复现的——每千次决策几分钱、亚秒级延迟——而且置信度门控路由模式即使校准故事最后比营销的软，也真的有用。MIT 适配器让你在自己的数据上跑对比的成本很低。
以下情况要怀疑：用例需要可审计的推理（Jev 完全不提供——根本没有解释可用）、需要生产 SLA（未发布任何内容，仅早期访问）、或者你在被 444 倍这个数字推销（那是最好情况的工作流峰值）。并盯住校准问题：它决定了这是"一个新模型类别"还是"一个定价诚实的、工程精良的零样本分类器"——Almeida 本人的"exactly right!"回复恰好模糊了这个区别。
关注：校准论文或可靠性曲线（这条声明的生死证据）、种子资金烧完后的定价变化、速率限制与负载实测延迟、以及第一批具名客户。任何一项落地，都会把这次发布从"有趣的发布"升级为"基础设施"。
常见问题
Jev 是什么？
TypeSafe AI 于 2026 年 9 月 15 日发布的第一个模型——一个"System One Model"，输入非结构化状态，输出带置信度分数的类型化决策（是/否、选择、打分），延迟 70–500ms。它不能生成文本、代码或解释。
Jev 的价格？
输入 $0.042/百万 token（$42/十亿），输出免费。独立实测约每 1,000 次决策 $0.04–$0.05。公司承认定价可持续性未证实。
RLCD 是什么？
Reinforcement Learning for Calibrated Decisions——TypeSafe 对 RLHF/RLVR 的替代。它优化认识论上诚实的概率，而非人类偏好或可验证奖励。目前无论文、无校准证据发布。
Jev 会幻觉吗？
它不会产生类型错误——输出模式有保证。但它仍可能在合法格式里选错选项。厂商文档注明校准是组级属性，不是逐答案保证。
TypeSafe 背后是谁？
2024 年创立于旧金山：Diogo Almeida（CEO；RLHF/InstructGPT 联合发明人，前 OpenAI 后训练、前 Google Brain）、Erik Gafni（CTO）、Sasha Sheng（COO，前 Meta/FAIR）。DCVC 领投 4000 万美元种子轮。
真的比 GPT 便宜 444 倍吗？
那个数字是 TypeSafe 自己评测中、对照前沿推理模型的工作负载峰值。独立实测约 5–25 倍，取决于对比对象。所有来源的区间是 5 到 444 倍——引用你的用例，别引用标题。
来源
核对时间：2026 年 9 月 16-17 日。
- Introducing System One Models and Jev — TypeSafe AI 博客（2026-09-14）
- 发布线程 — Diogo Almeida（@CompleteSkeptic），2026-09-15（6 条推文）
- TypeSafe 文档 — API 参考、System One 概念、模式
- 工作流评测仪表盘 — 四个工作流、各模型表格、分歧走查
- TypeSafe AI debuts model for machines that plays Doom — The Register，2026-09-16
- Mini vibe check: Jev judged everything I've written in 0.7 seconds — Every，2026-09-15
延伸阅读：Gemini 3.8 Live 完整指南。