人工生成JEV：炒作对现实检验
Jack Rudenko看了一周Launch-Demos。模型又快又便宜。可比较还是比错了对象。
JEV，TypeSafe AI的决策模型，于2026年9月15日结束隐身。Jack Rudenko在9月22日发表了他的解读。一次调用耗时70到500毫秒。输入每百万Tokens花费0,042美元。输出不花钱。他不跟速度争。他争的是对手。
线程里几乎没人想说那句话。
Jack Rudenko看了一周Launch-Demos，写下了线程里几乎没人想说的那句话：新模型又快又便宜，可大多数比较还是比错了对象。
他的文章叫 Jev: Solving yesterday's problems, faking wins with overengineered demos, and never facing the real competition 并于2026年9月22日发表。他描述的信息流整理了收件箱，标记了邮件，识别了语言，评估了情绪，还玩了Pong。每个片段都以同一个点收尾：又快又便宜，聊天模型做不到。
两个说法都可以成立。片段里的对手始终是一个大而全的通才。这就是全部的抱怨，而且值得慢慢读，因为片段下面藏着一种真正不同的形态。
状态进去。一个类型化的决策出来。一次调用。
JEV是TypeSafe AI的System-One模型。你给它一个状态和一份类型化问题列表。返回的是决策：从列表里选一个，在你设定的量表上打分，或者带0到1之间概率的是或否。TypeSafe把最后这种叫Noul。全部在一次调用里完成。输出直接进代码。没有一段文字要你先把词抠出来。
机制、三种问题类型以及厂商的速度数字已经写在这个站点上了： Jev：不是聊天机器人。是决策模型。 这篇文章不再把那一页重写一遍。它只谈Rudenko，以及那个证明他有理的外部测试。
问一个文本生成器要“billing”这个词，是错误的游戏。
幻灯片在跟一个小说作者较劲。这份工作是个标签。
他看过的每个公开片段都把 JEV 放在一个 GPT 级别的模型旁边。按他的转述，TypeSafe 自己的标题是：在四个内部流程上，比 GPT-6 Astra 和 Fable 5.1 的平均水平快 193 倍、便宜 444 倍。Ably 的 Pong 演示：每步 227 毫秒，而 Haiku、Gemini Flash 和 GPT-5.6 Sol 要 2.5 到 3.5 秒。
跟文本生成器比，差距是真的。一个分发工单的大模型要花好几秒，还按吐出的每个词计费。JEV 按每百万 token 输入 0.042 美元计费，输出为零。调用落在 70 到 500 毫秒之间。Arize 描述的是同一价签和同一时间窗口。以这些单位看，这个奇迹不是编出来的。
Rudenko 觉得这个奇迹对准了错误的对手。分类早就有答案。一个微调过的 BERT 从 2018 年起就是标准，自从 Jacob Devlin 和他的合著者发表那篇论文：小，大约 1.1 亿参数，在一台笔记本 CPU 上就够用。再早是词计数上的逻辑回归。再早是正则表达式，在真实路由器里跑的次数比演示愿意承认的还多。
把网络也算进去，一个无聊的 BERT 已经坐在房间里了。
他想要片段里缺的那一栏。对单次 CPU 调用，他把未优化的 BERT-base 估在大约 100 毫秒，蒸馏版大约 60，优化后低于 10。JEV 的 70 到 500 毫秒包含去到一台外来机器的路程。同一量级，有时更快，有时不然。你把本地模型放到 GPU 上批量跑，按他的算法每件时间会掉到一毫秒以下。那里会拉开大约一百倍的差距，而且是朝向你已经在跑的那台机器。
价格上也是同一刀。每百万输入 token 0.042 美元在 Opus 旁边显得小。在你已经付钱的硬件旁边，本地模型装好之后往往更赢。没有按 token 加价。没有绕网一圈。CPU 数字是他的，我们没有复跑任何一次。把它们当成他的估计来读。方向才是他要钉死的点：分类器对分类器。
外面有个团队发表了他要的那种对比。同一时间，在 Vlad Shulman 2026 年 9 月 18 日的一篇帖子里，他们让 JEV 跑了他们自称每天做几十亿次的工作。零样本重排序在 NDCG@10 上达到了 0.7，打平了他们自己的一个重排序器。主题分类，以及一次搜索是否需要新鲜结果：他们的模型赢了。每文档成本更高，他们也说了原因：跑他们分类器的机器是他们自己的。那里的总结和他的对得上。速度和价格的标题是对着自回归聊天模型的。专门的分类器在这两项上往往仍然更赢。
没有标签。问题下周会变。
一个微调过的 BERT 没法在周四回答一个全新的问题，除非走一遍训练循环：例子，一次运行，一次检查，一次 Deploy，标签一漂移还得再来同一循环。JEV 在调用的那一刻把问题当字符串接住。
这样就描述了一整组真正的工作。一个路由器，只要你还不认识那些类别。研究，在分类法还在漂移的时候。那些永远不会去训练模型的人。给智能体的护栏，问题在工具之间切换的时候。Parallels 自己的结论是同一条规则：如果你需要一个分类器但还没训练过，从这里开始，并用你的例子检查质量。
他第二天早上就下车。在类别定下来、量涨起来的那天，JEV 刚生成的标签就是训练集。拿去，调一个属于你的小模型。API 是起点。运营路径是你机器上的那个模型。
给出一个分数是一种格式。正确是一种产品。
演示把两句话混在一起。JEV 给出一个分数。分数不错。只有第一句是从产品推出来的。第二句是另一个问题，在这个问题上他称之为中等水平，和其他通才一样。
TypeSafe 自己的仪表板，按他的读法：在他们的流程上与参考有 67,8 百分比的一致性。Opus 5 在工作流模式下达到 74,1 百分比。在发票上差距更大，61,8 百分比对 79,1 百分比。他喜欢他们把这个公开，也喜欢他们把因素放到真实收益的上端，放到他们自己团队写的检查上。
同一训练数据家族上的新外壳长不出新味道。在 MadAppGang，他故意把潦草的文本给了 JEV、Opus 5 和 GPT-5.6 Sol，看着每个模型都打了高分。JEV 并没有站在旁边。“擅长评分”意思就是：擅长给出一个数字。
这段里有一个日期和其余文字对不上。他把写作测试放在 2024 年 5 月。把发布放在 2026 年 9 月 15 日。2024 年 5 月的测试不可能包含一个 2026 年 9 月才从隐身状态出来的模型。把分数读作他的主张。把月份读作笔误。
他想要的工作不是收件箱。
把一份 Spec 放在一份 Diff 旁边，问它们差多远。一个微调过的 BERT 没有叫“你的 Spec 对你的实现”的数据集。一个聊天模型可以在一段你之后还得拆开的段落里做，又慢又是前沿价格。JEV 可以在半秒以内返回一个带类型的分数和概率，只要几分之一美分。
这就是他想要的检验皿里的形式。下面是没有模型的检验：对象差异、截图、按规则通过或失败。上面是一个裁判，提出几个打字的问题。改动是否覆盖了规格？它偏离了多远？它是否交付了规格从未要求的东西？最后一个问题是带有概率的幻觉检验。这就是他愿意付钱的问题。
他自己说出了界限。JEV 读文本和 JSON。表面检验需要 DOM，或者一个视觉模型，在 JEV 给描述打分之前先描述两个屏幕。状态加上最长的问题必须能放进 32.000 个 Token，所以单位是一个组件，不是一个代码库。他没有公布与 Opus 5 在实现质量上的比较。他公开提到这个比较，并说无论如何都会发表。在页面上线之前，第二个工作是一个带形式的建议，不是结果。
保留片段。把 DistilBERT 放在旁边。或者一个正则表达式。
他对发演示的人的请求很小。保留这些片段。延迟是真实的，片段是新形式得以显现的途径。当基准升高时，会多出一列：一个微调过的 DistilBERT，或者一个正则表达式，如果工作这么小的话。如果 JEV 仍然赢，你就找到了一个用例。如果它输了，你在等候名单变成你的路由器之前就已经发现了。
一个返回决策而不是散文的模型，是正确的想法。拿它和一个小说作者比，然后在三行正则表达式就够用的地方放一个云调用，这才是错误。分类早就有了本地答案。JEV 解决了零样本版本，并打开了第二个工作：在没有人建训练集的时候，对照参考给结果打分。他认为这第二个工作才是值得测试的。
信息流的其余部分还在玩 Pong。
| 说法 | 篮子 | 来源 |
|---|---|---|
| JEV 于 2026 年 9 月 15 日走出隐身。TypeSafe AI。由曾参与 InstructGPT 的 Diogo Almeida 创立。 | 事实 | Jack Rudenko，2026 年 9 月 22 日。Parallel 的产品描述指向同一份 TypeSafe 文档。 |
| 调用耗时 70 到 500 毫秒。输入每百万 Token 0,042 美元。输出不收费。 | 事实, 制造商数据 | Rudenko。同样的窗口和同样的价格出现在 Arize，2026 年 9 月 18 日。 |
| 比 GPT-6 Astra 和 Fable 5.1 的平均水平快 193 倍、便宜 444 倍，基于四个内部流程。 | 事实作为制造商行 | Rudenko，关于 TypeSafe。没有来自外部的复述。 |
| Pong 每步 227 毫秒，对比 Haiku、Gemini Flash 和 GPT-5.6 Sol 的 2,5 到 3,5 秒。 | 作为描述的演示的事实 | Rudenko关于Ably的演示。我们没有重新停看该视频。 |
| BERT-base大约100 ms在CPU上，蒸馏后大约60，优化后低于10。一次GPU冲刺每件低于1 ms。 | 他的估计 | Rudenko。这篇文章里没有自己的运行。方向：本地分类器对API，一旦网络算进去。 |
| Zero-Shot-Reranking在NDCG@10为0,7，可与内部Reranker相比。主题和新鲜度：内部模型领先。每文档成本更高。 | 事实 | Vlad Shulman, Parallel, 2026年9月18日。Parallel自己运营这些分类器。 |
| Dashboard：JEV在他们的流程上为67,8百分比，Opus 5为74,1百分比。账单61,8对79,1。 | 报道 | Rudenko对TypeSafe-Dashboard的解读。我们没有打开该看板的第二个视图。 |
| 2024年5月的一次写作测试包含了JEV。 | 矛盾 | 文本把MadAppGang的笔记放在2024年5月，把发布放在2026年9月15日。两个句子都在里面。一次测试不能两者都描述。 |
| 仅文本和JSON。32.000 Tokens。没有已发布的关于实现质量的比较。 | 事实，作为他的界限 | Rudenko。他公开说出与Opus 5在Spec对Diff上的比较。 |
- Jack Rudenko，文本2026年9月22日。演示的那一周，Dashboard解读，Pong时间，关于2024年5月的那一行，Spec对Diff的提议。https://www.linkedin.com/pulse/jev-solving-yesterdays-problems-faking-wins-demos-never-jack-rudenko-0ss8c/
- Vlad Shulman, Parallel2026年9月18日。NDCG@10为0,7，主题和新鲜度，每文档成本，以及速度标题针对聊天模型的那句话。https://parallel.ai/blog/testing-jev
- Jev：不是聊天机器人。一个决策模型。我们的解释器，2026年9月22日。Choice、Score、Noul，以及制造商的速度数字。https://mcgrinsey.com/magazin/jev-entscheidungsmodell-typesafe/
剪辑：2026年9月24日。仪表板百分比是Rudenko的解读。Parallel的数字就是Parallel的数字。2024年5月这个日期留在事实表中，因为文本打印了它。
