Typeface 公司开发的新模型 JEV，在面向机器任务而非人类交互的人工智能发展方面迈出了重要一步。与生成供人类阅读的文本的传统模型不同，JEV 经过训练，能够做出执行代码的决策。这使得操作能够实现高速度和低成本，使其成为开发人员的有前途的工具。

JEV 的主要特点和优势

JEV 由 Typeface 公司推出，该公司由 ChatGPT 的联合创始人之一 Diego Almeida 创立。该模型与现有模型不同之处在于，它侧重于决策制定，而非文本生成。这是通过使用 Typeface 团队两年开发的“带校准决策的强化学习”（reinforced learning with calibrated decisions）方法实现的。

JEV 的主要优势包括：

• 速度： 请求处理时间为毫秒级。
• 成本： 与现有模型相比，在类似任务上的操作成本降低了 20 到 200 倍。
• 可靠性： 该模型表现出高精度，并降低了“幻觉”或失去置信度等错误的发生概率。
• 专业化： JEV 不用于文本或对话生成，而是专注于执行特定任务，例如分类或确定陈述的真实性。

JEV 的应用

凭借其特性，JEV 在各个领域都有应用：

• 代理开发： 提高代码代理和生产系统代理的准确性和效率。
• 任务路由： 可用作“模型路由器”，以确定哪种模型最适合特定任务。
• 工单分类 (Ticket Triage)： 能够快速对入站工单进行分类和优先级排序，比使用传统的大型语言模型更快、更便宜。
• 分类和验证： 从事大规模数据分类或验证的公司可以显著降低成本。例如，Verscell 公司报告称，在从 Gemini 2.5 Flash 切换到 JEV 后，流程速度提高了 6 倍。
• 游戏代理： 展示了 JEV 在控制游戏角色方面的潜力，例如在《星际争霸》游戏中，该模型帮助赢得了任务。
• 浏览器请求处理： Open Code 公司进行的测试表明，JEV 在浏览器中使用时速度非常快。
• 智能家居： JEV 可以处理自然语言命令来控制智能家居设备，例如“打开客厅的灯”，仅需 185 毫秒，远快于传统的 LLM。

请求类型和模型结构

与 JEV 交互时，会使用三种类型的请求：

1. 选择 (Choice): 模型从提供的列表中选择一个选项。例如，在将用户请求分类为“账单”、“技术”或“销售”等类别时，JEV 可以确定该请求属于技术支持，并给出置信度级别。
2. 评分 (Score): 模型根据给定量表分配一个分数。例如，可以根据“冷静”、“礼貌”或“愤怒”的量表评估用户的沮丧程度。
3. 新 (New): 模型确定某个属性为真或存在的概率。例如，“这是真的吗？”或“这紧急吗？”。

JEV 的工作原理与自回归模型不同。JEV 不会按顺序生成标记，而是并行处理输入数据（状态、文本、JSON 对象）和一组问题。这使得能够实现高速度和高效率。

与传统软件和 LLM 的比较

传统软件是确定性的，遵循“如果-则”的逻辑。相比之下，基于 LLM 的代理并非完全确定性，这使得它们具有灵活性，但有时也会导致错误。JEV 在混合人工智能系统中占据一席之地，它将确定性元素与基于 AI 的决策相结合。

JEV 模型不生成 token，也不使用自回归循环。相反，它接收一个状态（例如，文本、JSON）和一组问题，然后并行评估它们，返回一个结构化的 JSON 格式响应。这使其能够用于决策，例如确定欺诈风险级别、评估置信度或选择合适的工具。

访问和测试

JEV 通过 API 提供访问。还有一个 playground 用于测试和探索模型的功能。演示包括：

• “六度分隔”： 确定从一个维基百科页面跳转到另一个页面所需的步数（例如，从“DNA”到“Manny Pu Re Pony”）。JEV 在 1.7 秒内完成了这项任务。
• 智能家居控制： 处理用于控制设备的自然语言命令。
• 邮件优先级排序： 在几秒钟内对数百封邮件进行分类和优先级排序。

结论

JEV 是一种专门的模型，专注于为代码做出快速且廉价的决策。它能够在毫秒级处理请求并以最低的成本处理请求，这为构建更高效、更具可扩展性的 AI 应用程序开辟了新的可能性，尤其是在代码代理和工作流自动化领域。