OpenAI核心研究者为何转身做不生成文字的模型

过去一周，Jev 成为 AI 圈最火的新模型。它主打 System One 快思考，只负责“判断”，基于 RLCD，只输出选择、概率和置信度。创始人 Diogo Almeida 曾在 OpenAI 参与 InstructGPT、ChatGPT 和 GPT-4 等研究，也是把 RLHF 推向大规模应用的核心研究者之一。离开 OpenAI 后，他选择几乎相反的方向：不再训练更会说话的模型，而是做一个完全不生成文字的模型。

Jev 背后的公司叫 TypeSafe。9 月 15 日，TypeSafe 结束两年隐身期，发布 Jev，并宣布完成由 DCVC 领投的 4000 万美元种子轮融资。

Diogo Almeida 在发布前一个多月的演讲中提出：如果整套 AI Stack 都围绕可靠性和自动化重新设计，会变成什么样？他认为，今天整个领域的许多现象，都可追溯到设计 ChatGPT 背后算法时的细微决定。模型在 Benchmark 上不断进步，能自主运行的时间也越来越长，但一些简单工作仍需人。原因在于，表现惊人的任务本就是为了取悦处在 loop 中的人，而基础任务的目标恰恰是把人移出 loop。这就是辅助与自动化的分界。

RLHF 收集人类偏好并针对偏好优化，等于把人放进了训练 loop，目标是让人满意，而非让软件自主运行。用户一直在 loop 中时这说得通，但若要自动化，模型应别管人类喜不喜欢，只以经过校准的方式把任务做对。因此，下一个时代不是 Claude Code 时代，它仍属辅助时代，仍使用 RLHF。

Diogo Almeida 认为，预训练本身不是问题，问题在于怎样释放智能。后训练像一棵树：RLHF 优化人类偏好，RLVR 优化可验证的正确性和低错误率，TypeSafe 做第三种——优化经过校准的决策。选择正确任务远比单纯增加数据和算力重要。他相信，辅助之后的下一个阶段是真正的自动化，尽管今天真正被自动化的工作仍只是舍入误差。

Jev 爆火后，Diogo Almeida 在播客中表示，开发者开始理解他们想做什么。他称 Jev 为 System 1 模型，更准确的说法是“机器原生、大型、可编程”，目标是让代码成为输出的消费者。Jev 提供 Choice、Score 和 Noul 三种输出：Choice 从预设选项中做选择，接近函数调用中的选择；Score 用于排序或与阈值比较；Noul 回答“是或否”，但返回概率，程序据此决定是否执行 if 分支。这些是有意设计的新概念，直接塞进整数或浮点类型容易被误解。

输入方面，state、instructions、criteria 都可以是结构化 JSON，不必先拼成巨大字符串模板。他建议拆出许多小问题，清楚定义，必要时并行调用，让代码结构更好、行为更易验证。程序控制应尽量由程序完成，而非只塞进大提示词祈祷模型遵守。

但拆成上百次调用有时会更慢、更贵、效果更差。要尽量拆到最小语义单元，让每个问题清楚、可测量，再由代码决定最终行为。比如不要只问“要不要拒绝这个请求”，而应针对各种拒绝条件分别提问并设阈值。发现漏掉一种情况，就增加一个问题、阈值和测试用例；处理不好就转人工。这样至少能看清哪一步出问题，并持续测量。

不过，并非任何复杂任务都能这样拆。单步判断很强，但多步推理随步骤增加会逐渐下降。什么任务适合 System 1，最终要看实际效果。RLVR 在复杂推理上的进展也很惊人，但那类任务和快速判断不是同一回事。校准和置信度也并非完美，模型会犯很多错，眼下必须承认技术有边界。