北京
一个模型，不生成任何字符，却可能改变 Agent 的调用结构。前 OpenAI 研究员创立的 TypeSafe AI 发布了 Jev，它被归入一个新品类——System One Models。
Jev 的定位很特别：它不负责说，只负责选。开发者给它一个判断任务，它直接返回可供程序调用的结构化决策，而不是一段需要再解析的文本。
速度和价格，是两个量级
Jev 的速度是大模型的 193.6 倍，成本约为其 1/444.6，而且输出免费。这组数字放在一起，指向的是同一件事：把"判断"从"生成"里拆出来，单独做。
大模型做判断时，往往要先写一段推理文字，再从文字里提取结论。Jev 跳过了这一步，判断结果直接以结构化形式返回，省掉的是生成文本的时间和算力开销。
不用为每个新任务重训
Jev 的使用方式比专用小模型灵活。它仍具备大模型式的语义理解与泛化能力，开发者可以通过提示词描述不同的判断任务，不必为每个新任务重新训练模型。
这意味着它的适用面不局限于某一个固定场景。判断任务换一个，提示词跟着换，模型本身不用动。
它的训练方法叫校准决策强化学习（RLCD）。这套方法改善的是判断与不确定性的表达，并不保证每次都答对。换句话说，它优化的是"怎么表达判断和不确定"，而不是"保证判断正确"。
它可能站在什么位置
Jev 的未来可能成为一种重要的推理与输出范式，与普通文本生成、CoT 深度推理长期并存。三者不是替代关系，而是分工关系：一个负责说，一个负责想，一个负责选。
对 Agent 来说，这种分工的意义在于调用结构的变化。当判断可以独立成一个又快又便宜的环节，Agent 的决策链路就有了重新拆分的空间。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
