Jev 不生成文字，只回傳帶機率的決策

誰做的：TypeSafe AI，2026-09-15 發布，是這家公司結束隱身後的第一個模型。創辦人 Diogo 之前在 OpenAI，是 RLHF 的共同發明人——也就是讓語言模型學會聽指令、會聊天的那套方法的作者之一。這次他做的正好相反：一個不聊天的模型。

他們怎麼稱呼這種方法：官方給它一個新的模型類別名 —— System One Model。

System One 這個名字

取自《思考，快與慢》：

	系統一	系統二
人	快，憑直覺	慢，要推理
模型	Jev	現在所有的語言模型

語言模型是系統二：一個 token 一個 token 往外生成，想得越多等得越久。絕大多數時候這沒問題，因為你要的就是那段話。

（官方 blog 另外給了訓練方法的名字 RLCD，Reinforcement Learning for Calibrated Decisions，對照的是 LLM 的 RLHF；影片沒提這個詞。注意那個 C 是 calibrated —— 訓練目標是「機率要準」，不只是「答案要對」。）

一句話差異

LLM 是「問它一句話、它一個 token 一個 token 寫一段話回來、你再去解析」；Jev 是「給它一段狀態和一組帶型別的問題、它並行評估、一次回傳帶機率的答案」。

更短：LLM 生成文字，Jev 只做決策。

為什麼軟體需要這種東西

軟體裡有大量決策根本不需要一段話：

• 這條工單該轉給誰
• 這條評論是不是垃圾
• 這個請求該交給便宜模型還是貴模型

這些問題的答案是一個選項、一個分數、一個是或否。讓語言模型先寫一段解釋再輸出 JSON、再由程式去解析，既慢、恐怕還貴、還可能格式出錯。

官方的定位句：把它當成一個前沿智能的函數呼叫——狀態進去，型別化的機率出來。輸入是程式狀態而不是對話（官方 demo 讓它玩 DOOM，每秒約 10 次決策，不看畫面只看遊戲狀態）。

它放棄了什麼、換到了什麼

不生成文字 → 沒有輸出 token → 輸出免費、格式不可能錯、但也給不出理由。

所謂「0% 錯誤率」保證的是型別，不是答案。官方文件自己寫得很清楚：

型別化輸出保證的是介面，不是真相。

它保證答案一定是你給的選項之一，不保證一定選對——餵它一段亂碼，它照樣會選一個出來。

三種問題的形狀見 Jev 的三種原語：Choice、Score、Noul，成本結構見 Jev 省 token 省在輸出歸零與狀態只送一次。