Diogo Almeida 发布 Jev 与 RLCD：自称快 20～200 倍、输出 token 免费

9 月 15 日 18:17（UTC；北京时间 9 月 16 日凌晨），Diogo Almeida（X 账号）发帖宣布：他在隐身状态下工作两年，做出一种新的模型训练方法 RLCD 和一个新类型的前沿模型 Jev，并在当天发布。帖子给出的卖点包括快 20～200 倍、成本低 40～400 倍（输出 token 免费）；他把 Jev 描述为 “frontier composable intelligence”（可组合的前沿智能）、为决策（decisions）优化，并称据他所知，这是通往基于 AI 的经济革命的最短路径。

产品细节在 TypeSafe 的里，署名是创始人 Diogo Almeida。文章把 Jev 定义为 TypeSafe 的第一个 “System One model”：输入非结构化状态，输出类型安全的结构化取值，每个答案都带概率和置信度（confidence）。他在同一串帖子里：“这些提升不是免费的：Jev 不能生成文本。”这些性能与成本数字均来自发布方，帖子没有给出对比基线，也没有给出评测方法；公司在博客里补充了评测做法，并自己标出了部分偏差。

图：TypeSafe 上“四组工作流平均：准确率与成本”的对比图，Jev（粉色）位于最左端。

Jev 的工作方式，与训练它的 RLCD

按公司的说法，Jev 接收一段“状态”（非结构化的文本或程序状态）和若干“类型化的问题”，返回结构化取值：Choice 从给定选项里选一个，附上选项、概率分布与置信度；Score 按量表打分，附上分数、各档位概率与置信度；Noul 判断一个说法是否为真，返回 0 到 1 的概率。三类问题可以在一次调用里混用，彼此独立、并行评估；文档称，增加问题几乎不改变响应时间。

RLCD 的全称是 Reinforcement Learning for Calibrated Decisions（面向校准决策的强化学习）。博客把它的目标与现有方法并列：RLHF 优化人类偏好，RLVR 优化可被程序验证的奖励，RLCD 优化的是“校准的决策”，也就是在 System One 任务上让答案带上“认识上诚实”的概率。Every 的给了一个日常解释：如果模型把 100 条客服消息标为 90% 可能“愤怒”，那么其中大约 90 条应当确实愤怒；代码据此分流，而不必把文本答案再解析回数字。

并行采样是这套设计的关键。博客称，模型在一次查询里生成全部输出，用并行替代逐 token 生成，效率极高，并且是硬件感知的设计；Almeida 在补充帖里用了一个类比：“用并行取代顺序计算，正是当年 Transformer 超越 RNN 的方式。”名字也有出处：System One 借自 Daniel Kahneman 的《思考，快与慢》，Jev 取自 William Stanley Jevons；公司预期，智能成本每下降一个数量级，就会解锁数量级更多的用例。

这些工作出自 TypeSafe，一家新的 AI 实验室。公司把 Diogo Almeida（CEO）、Erik Gafni（CTO）和 Sasha Sheng（COO）列为创始人，并称 Almeida 共同发明了 RLHF 与 InstructGPT；他帖子开篇写道，在“共同发明 ChatGPT”之后，他一直在问，为什么已经超越人类的聊天模型没有带来 AGI。Every 的文章写明，他在 OpenAI 期间共同撰写了 2022 年的 InstructGPT 论文。

数字的出处：公司自己的四组工作流评测

更细的数字在公司自己的材料里。官网首页写的是“193.6 倍更快、444.6 倍更便宜”，标注依据是 System One 任务的工作流；博客解释，这来自四组工作流评测的平均值，并称这些数字“处于真实世界收益的偏高区间”。博客的对比表里还有一行：对 System One 型查询、在同等前沿智能水平下，可以快 40～200 倍。

评测方法公布在上：他们把代码里的工作流当作正确的计算图，让所有模型跑同一套流程；参考答案取 GPT-6 Astra 与 Claude Fable 5.1 在最高思考档位下的平均；其他模型使用各家的默认推理设置。四组任务分别是安全事件、Agent 轨迹可观测性、发票处理和客服；网站称，读图时“越靠左上越好”，每个点是一个模型配置在四组任务上等权平均后的准确率、成本与时间。

图：TypeSafe 公布的四条工作流里最简单的一条（安全事件处置），展示“把判断拆成结构化问题、由代码决定分支”的用法。

公司自己列出了这套评测的偏差来源：评测通常在其西海岸的笔记本电脑上运行；四组工作流由自家模型能力团队的成员制作，“可能存在一些偏差”；参考答案偏向 OpenAI 与 Anthropic 的模型，公司称这可能同时低估自己和 DeepSeek 的模型；LLM 一侧要通过 TypeSafe 的封装层输出结构化决策，会比不输出概率时更慢、更贵。至于价格，博客写的是：“我们无法证明它没有被补贴”，长期可持续性要靠时间证明。

0% 错误率：来自结构匹配的保证

博客写道，Jev 放弃字符串生成，因此“针对结构化输出优化，不会幻觉”。博客的配图给出两类错误率：结构化输出错误率与工具调用错误率，Jev 均为 0%，被比较的模型从 0.58% 到 45.5% 不等。

图：TypeSafe 博客给出的两类错误率。按公司的说明，Jev 的 0% 来自 schema（预先定义的结构与类型）匹配的保证；公司同时把它标注为非实测数据。

公司主动标出了这组对比的边界：“我们的数字不是实测数据。schema 匹配是有保证的，因此我们可以放心地把 0% 放进图里。”LLM 一侧的数字来自 OpenRouter，公司称那里“几乎肯定存在偏差”，因为更复杂的查询可能被路由给更强的模型。公司还把另一项主张“没有类型错误”描述成：一个反例即可证伪，但它在数学上不可能发生。

Every 的试用：0.7 秒、777 次判断，和一处漏检

发布当天，Every 负责模型评测的 Mike Taylor 写了他自己做的一组测试。他把自己的 27 篇 Every 文章连同 10 篇刻意模仿“AI 风格”的对照文章一起交给 Jev，用 21 个问题扫描 AI 写作痕迹：不到 0.7 秒，Jev 返回 777 个判断，估算花费约四分之一美分。随后他又跑了 11 组实验，共 1,709 次判断，估算总成本不到 1 美分。

另一次对照测试来自 Every CEO Dan Shipper：他把同一套 4 项写作检查、12 段合成文本（6 段清晰、6 段故意植入问题）同时交给 Jev 和 Fable 5.1。Jev 每段中位耗时 0.35 秒，Fable 5.1 高强度模式为 8.83 秒，约快 25 倍；估算成本约为 Fable 的 1/580。准确率上，Jev 找出了 7 个植入缺陷中的 6 个，Fable 找出了全部 7 个；漏掉的那处是 Every 所说的“未被解释的动作”，Jev 三次运行都没抓到。

Taylor 的评价留有余地：文章说，Jev 确实标出了他写得更偏 AI 的篇目，但“它把事情做得有多好，仍然是一个开放问题”。

回复区的追问：校准、延迟与质疑

截至发稿时，原帖浏览量约 860 万，点赞约 3.3 万，转发约 3,100 次，引用帖约 2,200 条。回复区里，说，模型返回置信度本身就能减少大量幻觉，因为系统可以据此决定把回答直接给用户、还是转给人工；他好奇的是“这些置信度是否真的准确、是否经过校准”。则写道：让置信度反映真实准确率是有前景的方向；他想看开发者带着自己的任务和数据进来时，“这种校准能保持得如何”。

也有人关注速度。写道，150 毫秒级别的延迟“能真正改变局面”，模型决策由此可以进入过去对 LLM 太延迟敏感的软件路径。怀疑同样存在：回复说，这类“大得离谱的主张”人们一直在提却拿不出东西，“到目前为止有 100 个像你一样的案例，没有一个交付”。

早期访问、定价，与博客标出的边界

Jev 以早期访问方式开放；博客称会“尽快把开发者从等候名单里放出来”。配套文档与 Python、JavaScript SDK 已经上线。定价是每百万输入 token 0.042 美元、输出 token 免费，公司的说法是“便宜到不值得计量”；公司同时承认无法证明这一定价没有被补贴，并预期长期价格会下降。

博客也列出了几条边界：Jev 支持最多 255 个选项的高基数选择，这类选择分两阶段处理，偶尔会变慢；在“Wikiracing”演示里，它的提速幅度“往往比之前的演示小得多”；团队还用它做了一个每秒查询 10 次、约每小时 7 美元的 Doom 机器人。

发布材料最后向开发者征求反馈：他们想知道哪些决策值得自动化、Jev 在哪里有效、在哪里失败。发布当天，Every 的试用文章写道：在把 Jev 放进生产环境之前，Mike Taylor 想先做一次“更彻底的准确率检查”。