你敢信，曾经全力推动 AI 学着说话的人，现在做出了一个「闭嘴」的模型。
前 OpenAI 研究员 Diogo Almeida 终于结束了两年的隐身状态，正式发布新模型 Jev。
Almeida 是 2022 年 InstructGPT 论文的共同作者之一，也参与了 OpenAI 早期 RLHF 与 GPT-4 的相关工作。可以说，今天 ChatGPT 式「能听懂人话、会和人聊天」的模型训练路线，他是早期参与者之一。
但在离开 OpenAI 后，他开始怀疑这条路线。
「大模型现在非常擅长聊天，但聊天能力真的是软件自动化需要的核心能力吗？」
这个问题， Almeida 已经思考了四年。
现在，他给出了一个很直接的答案：也许 AI 根本不需要这么爱说话。
TypeSafe 推出的首款 System One Model Jev，直接放弃了自由文本生成。
官方给出的数字相当夸张，速度提升 20-200 倍，成本最高可降至原来的 1/400，输出 Token 甚至免费。
一个「拒绝说话」的 AI
假设现在有一封用户邮件。你想知道三个问题：它是不是投诉？问题紧不紧急？应该转给哪个部门？
普通大模型会先阅读邮件，再一个 Token 一个 Token 地生成回答：「根据用户的描述，我认为这封邮件属于……」
程序随后还得从这段文字里重新找到真正需要的信息，把它解析成字段，再决定下一步做什么。
而 Jev 直接省掉了中间这段话。
你提前规定好程序需要哪些结果，它读取输入后，直接给出类型确定的结构化判断，以及每个判断对应的概率和置信度。
TypeSafe 对它的概括是：「非结构化状态进去，带类型的概率决策出来。（Unstructured state in, typed probabilistic decisions out.）」
更关键的是，这些结果可以并行产生。
传统 LLM 采用自回归生成方式，每一个 Token 都依赖前面的 Token；Jev 的目标里没有一整段文章、代码或者解释，自然也不需要慢慢「写」完答案。
用并行计算替换顺序计算的方式，官方文档：https://typesafe.ai/blog/introducing-system-one-models-and-jev
TypeSafe 称，Jev 的端到端响应时间可以做到约 70-500 毫秒，输入价格为每百万 Token 0.042 美元，输出目前免费。
在公司自己的 workflow eval 中，最高测出了 193.6 倍的速度优势和 444.6 倍的成本优势。
图源 TypeSafe 官网：https://typesafe.ai/
当然，这组数字需要加一个很大的限定条件。TypeSafe 自己也承认，这可能已经接近现实工作流收益的高位，而且测试 workflow 来自内部团队，无法完全排除设计偏差。
好在外部实测的结果看上去也相当不错。
Every 的评测负责人 Mike Taylor 拿 Jev 检查了 37 篇文档，一口气完成 777 次独立判断，总耗时不到 0.7 秒。
链接：https://every.to/also-true-for-humans/mini-vibe-check-typesafe-s-jev-judged-everything-i-ve-written-in-0-7-second
在其中一个写作质量判断任务中，Jev 用时约 0.35 秒，Fable 5.1 则需要 8.83 秒；前者约快 25 倍，成本约低 580 倍。
至少在这类高度结构化的「判断题」上，它确实展现出了惊人的效率曲线。
做出 RLHF 的人，开始反思 RLHF
更有意思的是 Jev 背后的训练方法。TypeSafe 给它起了一个新名字：RLCD，Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习。
这个名字本身就是在回应 RLHF。
RLHF 的核心目标很好理解：让人类评价多个答案，然后训练模型生成更受人喜欢的结果。
这条路线让原本只会预测下一个 Token 的语言模型，逐渐学会遵循指令或者解释问题，最终成为今天我们熟悉的聊天助手。InstructGPT 当年采用的正是这套思路。
Almeida 现在认为，当模型要进入软件系统时，「人的偏好」未必是最重要的训练目标。
一个聊天助手面对不确定的问题，可以写几段听起来很完整的回答。但如果它处在一个每天自动执行数百万次的工作流里，真正重要的问题可能只有两个：答案是什么？这个答案到底有多确定？
RLCD 因此把「校准」放到了核心位置。
简单来说，如果一个模型长期对一类判断给出 90% 的置信度，那么这些判断最好真的有大约 90% 是正确的。这样，软件才能围绕概率继续写逻辑：
-
95% 以上，直接执行；
-
70%，交给更强的模型继续判断；
-
40%，送给人类。
AI 由此更像一个可以插进程序里的「模糊 if 语句」。
这也是 TypeSafe 所说的「composable intelligence」：智能不必每次都以一整段自然语言出现，它可以成为软件内部随时调用的一项能力。
AI 不说话，也就不会有幻觉了？
TypeSafe 甚至有一个更激进的宣传：Jev「不会幻觉」。
Hold on hold on，此「幻觉」非彼「幻觉」。
我们通常说大模型产生幻觉，想到的是它一本正经地编出一个不存在的人名、论文或者事实。
但 TypeSafe 这里强调的其实是另一类问题：模型生成了程序根本没有定义、也无法处理的输出。
这还是前面所说，着眼于「程序自动化」而非「人类阅读」。
比如让 AI 判断一封邮件属于「投诉」「退款」还是「咨询」。普通大模型即使被要求按照固定格式回答，仍然是在生成字符串，它理论上可以突然回答一个选项中并不存在的「严重投诉」，或者额外生成一大段解释。
对人来说，这可能只是增加了阅读量和理解难度；但进入自动化系统后，下游程序根本不知道该怎么处理这个凭空出现的新类别。
Jev 从源头上砍掉了这种可能。
它不自由生成字符串，所有可能的输出及其类型都提前定义好了。如果程序只允许「投诉」「退款」「咨询」三个答案，它就只能从这三个答案中选择，不会临时创造第四个。
这就是 TypeSafe 所说的 type safety。
官方甚至明确注明，Jev 的「0% hallucination」并不是跑了大量测试后统计得到的经验数据。因为 schema matching 本身就是被保证的，所以他们直接把这一数字记为了 0%！（也是蛮「幽默」的。）
玩笑归玩笑，如果把「幻觉」换回我们更熟悉的定义，Jev 和这个问题也并非毫无关系。
大模型为什么会一本正经地胡说？
一个很重要的原因是，语言模型最初学习的任务就是预测下一个词。训练数据里的每句话，并不会额外附上一张「真 / 假」标签。于是对于大量低频、模糊或者模型本身并不知道的信息，它仍然可以根据语言规律生成一个「很像正确答案」的答案。
更麻烦的是，后续的训练和评测往往还会奖励「猜一个答案」。
OpenAI 去年专门研究过这个问题：如果一道题答错和回答「不知道」都拿不到分，那么猜一个具体答案至少还有蒙对的可能。久而久之，模型更容易学会在不确定时继续回答，而不是把自己的不确定性暴露出来。
也就是说，我们平常所说的幻觉，危险的不只有一个「错」字。模型明明并不确定，却最终输出了一句看起来相当确定的话。
普通 LLM 内部当然也存在概率分布，但用户或者下游程序最终拿到的，通常已经是一段生成好的自然语言。无论模型原本只有 51% 的把握，还是有 99% 的把握，最后都可能变成同样一句：
「答案是 A。」
Jev 想保留其中的「不确定」。
它并不只输出一个最终选择，而是强调「typed probabilistic decisions」：把结构化答案连同概率一起交给程序。RLCD 优化的也正是这种 calibrated decisions—— 让模型给出的概率尽可能真实反映自己的把握程度。TypeSafe 将其描述为「epistemically honest probabilities」。
于是，同样面对「投诉 / 退款 / 咨询」三个选项，程序拿到的可以不只是：「投诉。」
而是类似于：「投诉 92%、退款 5%、咨询 3%。」
如果最高概率只有 45%，自动化系统就不必硬着头皮继续执行，可以把任务升级给更强的模型，甚至直接交给人。
这并不会让 Jev 神奇地「不再犯错」，但至少会让系统知道什么时候更可能犯错。
这也是校准对自动化尤其重要的地方。前面的 type safety 保证「答案不会超出程序的处理边界」，这里的 calibration 则进一步告诉程序「这个答案到底有多值得相信」。
一个解决「程序能不能处理」，一个解决「程序要不要执行」。
从这个角度看，Jev 确实也提供了一条降低广义幻觉风险的思路：不要逼模型在每一次不确定时都交出一个斩钉截铁的最终答案，而是把不确定性本身也作为输出的一部分，让系统可以选择执行、升级或者放弃。
不过，「校准」依然不等同于「没有幻觉」。
OpenAI 关于幻觉的研究特意提醒过这一点：一个模型完全可能每次都答错，但每次都诚实地告诉你「我只有 0% 把握」—— 它的概率可以非常校准，答案照样全错。因此，calibration 并不是幻觉率本身的衡量指标。
这也引发了一些质疑： Jev 表现真有这么好？
「这值得 1200 万浏览量？」
Jev 的爆火引发了一些吐槽，帖子发出来没多久，Hugging Face 研究员 Niels Rogge 就评论：一个 JSON 分类器竟然有 1200 万次浏览？是啊，我们正处于泡沫中。
说得也不是完全没道理。
扒开「System One Model」「RLCD」「0% hallucination」这些新名词，Jev 实际上做的很多事情大家都挺熟悉。
分类、打分、路由、结构化输出，本来就是大模型工作流里最常见的一批任务。
甚至发布不到一天，就有人用 Qwen2.5-1B 做出了一个相似版本。开发者 Harsha Gundala 的说法相当挑衅：
「他们隐身开发了两年，我隐身开发了两个小时……」
Hugging Face：https://huggingface.co/harshatheg/Qwen-2.5-1B-RLCD
这个开源实现同样可以让 JSON 中的多个字段并行完成判断，并直接从预设候选中计算概率。作者甚至强调，不需要任何新的训练。
这也是 Jev 最先脱掉的一层马甲：并行做结构化选择，并不一定需要一个全新的模型。
而宣传中的「零幻觉」也颇有玩文字游戏的意味。
最后只剩下 TypeSafe 一直在强调的「校准（Calibrated）」，这也是最难验证的地方。
普通模型当然也能从 logits 中得到概率，而当模型说自己有 80% 把握时，我们希望它真的有 80% 的概率判断正确。
TypeSafe 认为 RLCD 解决的正是这件事。
但截至目前，RLCD 的具体训练方法、reward function，以及更系统的概率校准指标都还没有完整公开。
目前社区对对 Jev 的质疑就集中在这几个方面：并行结构化输出本身并没有开创性，「0% hallucination」偷换了 hallucination 的定义，而 RLCD 的 calibration 还没有公开证据。
但这些质疑没有真正动摇 Jev 所指向的问题。恰恰相反，它们甚至从另一个方向证明了这条路线的价值。
如果一个开发者真的可以花两个小时，在一个 1B 小模型上做出类似的结构化并行判断，那首先说明的未必是「Jev 没有技术含量」。
它同时意味着：这类能力可能根本不需要一个昂贵、复杂、无所不能的大模型才能实现。
这正是 Jev 一开始想讨论的问题。
过去几年，我们已经习惯了把越来越多任务交给通用大模型，但对有的任务来说，这有点「杀鸡用牛刀」
Jev 恰恰是把这些最普通、数量最大、也最容易被忽略的判断单独拿出来，不追求回答所有问题，甚至主动放弃了聊天、写作和自由生成，只留下几个自动化真正需要的东西。
AI 产品最常见的出场方式，是刷新 benchmark：更强的推理、更高的得分、更长的上下文，用一张张榜单证明能力上限。
Jev 走的是另一条路。
它甚至很难用「更强」来形容，它把模型能力压到一个刚好够用的程度：判断但不生成一大段解释，一个小模型能完成的任务，没必要每次都调用最昂贵、最复杂的模型。
这种产品更像是在「贴地飞行」。
它不追求展示 AI 能做到多惊人的事情，而是紧贴真实工作流里那些数量庞大、重复发生、又对延迟和成本敏感的问题，把等待时间和 token 都省下来。
所以一个看起来并不炫目的「JSON 分类器」，最后反而能获得 2400 万浏览。
证明一个模型足够强，当然是一种吸引人的方式；证明一个模型解决了人们每天都会遇到的问题并且能力恰好够用，可能是另一种。
未来，随着模型能力越来越强，产品不止需要展示「能力上限」，也许还需要关心另一个问题：面对各类任务，怎么给用户提供一个最简单、最直接、最不绕弯子的处理办法。
参考链接：
https://typesafe.ai/blog/introducing-system-one-models-and-jev
https://openai.com/index/why-language-models-hallucinate
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com