成本仅为 GPT 的 1/76，前 OpenAI 研究员造"哑巴"模型

据 Woofun AI 消息，前 研究员、 共同发明者 在潜行两年后，带着新公司 及 4000 万美元融资重返行业视野，其发布的 模型彻底摒弃文本生成能力，转而专注于输出确定性的结构化决策，这一反差定位引发了业界对大模型技术范式的重新审视。

当前 AI 开发者在将大模型接入业务系统时，正面临着一种荒谬的工程困境：即便只需模型回答'这封邮件是否为垃圾邮件'或'在五个 API 接口中选择一个'，工程师也不得不驱使拥有上千亿参数的庞然大物，在漫长的几秒钟内逐字敲出一串 JSON 字符。为确保格式符合规范，开发者需编写长达两页的提示词，恳求模型'不要输出任何废话，只要纯 JSON 格式'，但模型仍可能在前后附加'好的，这是你要的格式'等冗余内容，瞬间导致下游流水线崩溃。Jev 的解决方案极为激进，它并非文本自回归模型，而是被定义为世界上第一个纯粹的'系统一模型'（System One Model）。

与当下主流大模型拼命卷'系统二'（缓慢、需调动精力的逻辑推理）不同，Jev 聚焦于无意识、极速的本能直觉，所有决策均在一次单向并行计算中同时产出，彻底消灭了生成式的废话，输出严格锁定在开发者预先定义的 Schema 内。从数学层面看，Jev 消除了结构化输出的格式幻觉，端到端延迟被压缩至 70 到 500 毫秒，比市面前沿大模型快 40 到 200 倍。在每秒需做出约 10 次即时操作判断的场景下，Jev 如同反应极快的人类玩家，整套推理成本每小时仅约 7 美元。

Woofun AI 整理数据显示，Jev 的输入成本为每 100 万 token 0.042 美元，输出完全免费，单次结构化决策成本约 0.0004 美元；相比之下，调用一次 的费用是其 76 倍，而 则是其数百倍。输入非结构化数据，瞬间吐出带有校准概率的分类选择、数值评分或布尔判断，随即交出控制权，构成了 Jev 的全部工作逻辑。

TypeSafe AI 选择在此时推出完全不吐字的模型，其深层原因在于 AI Agent 架构中日益凸显的'执行摩擦'瓶颈。无论是 、 还是硅谷各类企业级自动化工作流，工程师们发现 Agent 卡顿且昂贵的根源并非核心逻辑不够聪明，而是中间环节的微决策成本过高。一个完整的 Agent 任务包含几十个微小决定，如判断步骤是否成功、选择调用工具 A 还是 B、提取关键字段或决定终止流程。若每个微动作都调用千亿参数大模型，延迟将累加至几十秒甚至几分钟，成本迅速失控，且任何一步 JSON 格式解析失败都会导致 Agent 卡死。

然而，生产系统中绝大多数节点本质上是传统代码控制流，代码无需情绪价值或排比句，仅需极度廉价、迅速且绝对符合类型的决策信号。Jev 在大模型系统架构中插入了'前置反射弧'，在理想协同架构中，昂贵的前沿大模型退居幕后充当'系统二'，负责宏观规划与高难度思考；而工单分类、内容合规初筛、大批量数据打标及 API 精准选择等脏活累活，则由 Jev 这样的系统一模型毫秒级搞定。TypeSafe 自有测试数据显示，在四个典型企业工作流中，Jev 准确率达 67.8%，几乎打平 GPT-5.6 Terra 的 67.9%。在判断精准度未输给贵数十倍大模型的前提下，Jev 凭借几十倍的速度优势，揭示了将大脑皮层慢思考与脊髓条件反射拆开，或许是 AI Agent 实现大规模工业化落地的正确路径。