號稱「共同發明 ChatGPT」的前 OpenAI 研究員 Diogo Almeida，昨天（9 月 15 日）結束長達兩年的秘密開發，正式公開他的新公司 TypeSafe AI 與第一款「System One 模型」Jev。公司同時宣布獲得由 DCVC 領投的 4,000 萬美元（約新台幣 13 億元）種子輪資金。Almeida 口中的「共同發明」，指的是他參與的 InstructGPT 研究：2022 年的這篇論文建立了 RLHF（人類回饋強化學習）技術，而 RLHF 正是 ChatGPT 與後續對話模型背後的關鍵訓練方法。如今他想解決的問題是：為什麼具備超人級對話能力的模型，始終沒有帶來大規模的自動化革命？他的答案是反過來設計一種「不講話」的模型。
Jev 是什麼：不做對話、只做決策
Jev 不是聊天機器人，它完全不產生文字。開發者把結構化的程式狀態與問題（例如「這個客戶要求退款嗎？」）送進模型，Jev 從預先定義的選項中挑選答案，回傳型別安全（type-safe）的結構化決策，並附上校準過的信心中分數；軟體可以設定門檻，信心高就自動執行，信心不足就轉交人工審核。官方稱這類模型「原生給機器使用」（machine-native），原始推文形容這是「針對決策全面最佳化的可組合智慧」。
After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI?
I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev
• 20-200x faster
• 40-400x… pic.twitter.com/JSybNG2BKJ— Diogo Almeida (@CompleteSkeptic) September 15, 2026
官方文件把使用情境整理成「誰該用哪種模型」的對照：LLM 負責產生內容與對話，Jev 負責判斷。例如客服系統先由 Jev 判斷來訊意圖、是否要求退款，再由大型語言模型負責回覆措辭；代理程式每執行一步，由 Jev 檢查是否偏離任務、是否碰了不該改的檔案。推文附圖也展示了資安事件處理的決策樹範例，把警報拆成十幾個是非題與分數題，Jev 批次作答後由程式碼決定要關閉、排隊、通知使用者還是封鎖攻擊來源。
The gains aren’t free: Jev can’t generate text
Comparing Jev vs LLMs side-by-side makes the trade-off clear
Fun fact: replacing sequential computation with parallel is the same way Transformers leapfrogged RNNs pic.twitter.com/ockGnenCPP
— Diogo Almeida (@CompleteSkeptic) September 15, 2026
速度與成本的差距來自架構：外界推測 Jev 是 encoder-only 的 Transformer，以分類頭取代文本解碼器，因此沒有「輸出 token」的過程。這解釋了兩個賣點：輸出永遠免費，以及單一請求就能並行處理數百個輸出、延遲低於 100 毫秒。訓練方式換成新的 RLCD（Reinforcement Learning for Calibrated Decisions），目標是讓信心分數盡量貼近真實正確率，而不是討好人的偏好。
官方公布的數字
TypeSafe 的定價是每十億個輸入 token 收費 42 美元（約新台幣 1,365 元），換算每百萬 token 約新台幣 1.4 元；輸出 token 完全免費，官方宣稱「永遠免費」。官網一組示範數據顯示，Jev 執行單一工作流花費 0.000081 美元、耗時 0.114 秒，一般 LLM 則花費 0.013880 美元、耗時 8.566 秒，因此宣稱快 193.6 倍、便宜 444.6 倍。
在自家設計的 4 種工作流評測中，Jev 的準確率約 68%，每工作流成本約 0.0003 美元；OpenAI 的 terra 與 Anthropic 的 Sonnet 5 準確率相近（約 68%），成本卻落在 0.04 至 0.1 美元之間，相差兩個數量級。準確率最高的 Opus 5（73% 至 74%）每工作流成本約 0.2 至 0.4 美元。另一段示範影片中，Jev 以每秒約 10 次呼叫的速度玩遊戲毀滅戰士（Doom），每小時成本約 7 美元（約新台幣 228 元）。
We love how this doomo doomonstrates real-time intelligence and what can be doone with code + AI!
~10 calls/sec = ~$7/hour pic.twitter.com/nlffKxGzCB
— Diogo Almeida (@CompleteSkeptic) September 15, 2026
背景：RLHF 與 ChatGPT 的關聯
Diogo Almeida 是 OpenAI 前研究員，論文紀錄顯示他名列「Training language models to follow instructions with human feedback」（InstructGPT）作者群。TypeSafe 的共同創辦人還有 Erik Gafni 與 Sasha Sheng[6]。Almeida 主張，RLHF 雖然造就了超強的對話模型，卻也帶來過度自信、模式崩塌與可靠性不足等問題，使大型語言模型始終需要人類介入；Jev 的設計方向正是避開對話，把人工智慧變成可靠、可測試的軟體元件。
「System One」這個名稱取自心理學的雙重過程理論，對應人類直覺式、即時反應的第一套思考系統，與深思熟慮的 System Two 相對。TypeSafe 的產品哲學是讓模型負責快速直覺判斷，把需要慢慢推理的邏輯留給傳統程式碼與大型語言模型，再以「程式碼加 AI」的方式組合起來。創辦人也在發布當天的問答中強調，他認為多數企業自動化需要的是「可靠的智慧判斷」，而不是另一套聊天介面。
限制與社群質疑
官方承認的限制同樣明確：Jev 不能產生文字、順序推理能力（例如數學）大約只有 GPT-4 等級，而且「放棄字串」對現有應用是很大的靈活性取捨。發布後 Hacker News 的討論串聚集 1,495 分、超過 400 則留言，意見兩極：有人肯定信心分數與價格的潛力，也有人質疑「frontier model」的稱號、評測方法過於模糊，以及「不會幻覺」的宣稱，因為型別不會錯，不代表答案不會錯。
討論中最常被點名的疑點有二：其一，官方表示刻意不發表標準 benchmark 成績，只提供自家設計的工作流評測，質疑者認為分數好看的話早就公布了；其二，「快 20 至 200 倍、便宜 40 至 400 倍」的口號以「System One 任務」為比較基準，而這類任務本來就是 Jev 的主場，拿它跟通用模型比速度與成本，等於拿客製化工具跟瑞士刀比單一功能。也有開發者指出類似的平行批次分類做法在開源世界已有前例，Jev 的突破更多在於把這條技術路線做成了產品並拉到如此低的價格。
結語
把 Jev 放回定位看，它更像是「最便宜、最快的高品質決策分類器」：適合客服分流、代理工具選路、資安事件分級這類固定選項的判斷，而不是取代會寫程式、會聊天的通用模型。目前採等待名單制，官方只開放部分開發者使用，外界暫時無法自行實測。若官方數字經得起複現，它對自動化成本結構的衝擊是真實的；至於「通往 AI 經濟革命的最短路徑」這種說法，恐怕要等更多人拿到 API 測試之後再驗證。
