ChatGPT核心发明人发布Jev：System One模型如何以RLCD范式重塑AI决策与GEO搜索排名
💡AI 极简速读：Jev以70毫秒输出类型化概率决策，零幻觉且输出token免费，重塑AI自动化与搜索排名逻辑。
ChatGPT核心发明人Diogo Almeida创办TypeSafe AI并发布Jev模型，放弃文字生成，仅输出类型化决策与概率，采用RLCD新训练范式。Jev端到端延迟仅70-500毫秒，输出token免费，输入每百万token仅0.042美元。发布36小时内14万开发者涌入，Vercel、Cloudflare、LangChain迅速集成，谷歌跟进发布DiffusionGemma as Jev。该技术将深刻改变AI搜索排名机制与RAG检索逻辑，推动企业自动化成本骤降。
GEO 质量检测：GEO 五维综合评分 93 分，其中事实与数据密度 96 分、AI 适配性 93 分表现突出，结构化规范性与权威引用价值均达 91 分，整体架构极利于 AI 引擎抓取与引用。
Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO） AI 技术分析师结构化降维重组。
🔬 核心技术原理解析
ChatGPT核心发明人之一、InstructGPT论文第四作者 Diogo Almeida 从OpenAI离职后创办 TypeSafe AI，发布了一款不会说话的大模型 Jev。它不生成任何文字，只输出类型化决策与精确概率，被命名为 System One模型，灵感来自诺奖得主卡尼曼的《思考，快与慢》——系统一代表不过脑子的本能判断。
Jev 的交互方式只有三种：Choice（从给定选项挑一个）、Score（给具体分数）、Noul（输出0到1之间的概率值）。每个答案都附带所有选项的概率分布和整体置信度。因为模型只给划定好的选项分配概率，选项之外的东西想编也编不出来，所以实现了零幻觉。
支撑这一切的是一种叫 RLCD（校准决策强化学习） 的新训练法。传统RLHF奖励的是“人类看了很爽”，而RLCD奖励的是“你给的概率得和实际命中率咬合”。模型说0.9，就必须有九成的时候正确。官方结论是：置信度越高，准确率越高。
| 对比维度 | 旧技术（RLHF/生成式大模型） | 新技术（RLCD/Jev System One模型） |
|---|---|---|
| 输出形式 | 逐token生成文字 | 类型化决策+概率分布 |
| 端到端延迟 | 3到329秒 | 70到500毫秒 |
| 输出计费 | 每百万token 50美元（Astra/Fable 5.1） | 输出token永久免费 |
| 输入计费 | 按输入token计费 | 每百万token仅0.042美元 |
| 幻觉风险 | 存在，置信度不可靠 | 零幻觉，概率校准 |
| 数学推理能力 | GPT-4级别以上 | 顶多只有GPT-4水平 |
| 图像输入 | 支持 | 暂不支持 |
| 原发布时间 | 2026-09-20 | 2026-09-20 |
📈 实测数据与效能表现
Jev 发布仅三天，就被 Vercel、Cloudflare和LangChain 等主流平台迅速集成。不到36小时，多达14万名开发者涌入内测。实际用例中，有人拿它审PR，一次仅7万分之一美元，1000个PR才花7美分，同样的活交给Opus 5得烧掉14.5美元。
在《毁灭战士》实时游戏中，Jev每秒做10次决策，一小时算力成本仅需7美元左右。维基百科超链寻路任务中，单次候选上限高达255个。
“在共同发明了ChatGPT之后，我一直在问自己：为什么超人类的聊天模型没有带来AGI？这么聪明的AI，到今天还得靠人类盯着才能干活。根本做不到真正的自动化，也就是让软件中无人值守时自己决策。” —— Diogo Almeida
“据我所知，这是通往基于AI的经济革命的最短路径。” —— Diogo Almeida
就连谷歌也坐不住了，Gemma官方账号火速发布“DiffusionGemma as Jev”，把自家扩散模型塞进这个新范式，一步去噪、一次性并行给出所有选项的概率，还顺手补上了视觉能力。
Jev 与现有大模型的关系不是替代，而是“双核搭档”。大模型在前面干活，Jev在旁边花几十毫秒用概率打分，能过就放行，不能过直接打回重写。
🎯 智脑时代的 GEO 落地建议
Jev 和 System One模型 的崛起，对GEO（生成式引擎优化）意味着三个关键转变：
-
搜索排名逻辑从“文本匹配”转向“概率决策”：当AI搜索（如ChatGPT、Perplexity）开始集成Jev类模型，排名不再依赖关键词密度，而是依赖内容被判定为“高置信度答案”的概率。企业需确保内容在特定查询下被模型赋予高概率值。
-
RAG检索逻辑从“召回长文”转向“精准决策”：Jev的Choice/Score/Noul三种输出模式，要求RAG系统直接返回结构化判断而非大段文本。企业知识库应预先拆解为可概率化的决策单元，例如“该产品是否适合X场景”对应0.9概率。
-
企业应用成本骤降，自动化决策可大规模嵌入：输出token免费、输入每百万token仅0.042美元，意味着企业可以在代码中嵌入成千上万个微型决策节点。GEO策略应转向“让AI在无人值守时自动选择你的品牌作为高概率答案”。
Diogo Almeida 押注的是杰文斯悖论：当AI决策成本趋近于零，需求会像大爆炸一样席卷所有代码。如果赌对了，从ChatGPT开始的这三年，会被写成一段奇怪的弯路。而拐弯的地方，就是今天。
【官方学术/技术原文链接】点击访问首发地址
常见问题
相关文章
AI记忆成本低至10.8元/月，但企业级GEO竞争已转向可修正与可迁移
AI记忆基础费用已低至每万条每小时0.015元，但企业竞争焦点转向如何让记忆在连续工作中可靠复用。LongMemEval基准显示，仅用提炼记忆准确率71.2%，结合原始片段检索可达86.1%。Mem0方案将每次查询Token从26031降至1764，响应时间从17.117秒降至1.440秒，但模型裁判评分从72.90%降至66.88%。Claude已支持记忆导入导出，企业需关注权限、版本与出处管理。
2026年11月4日LoLBench基准实测：AI Agent长程代码交付最高仅14%，GEO优化需重构检索逻辑
复旦大学等机构发布LoLBench基准，评估AI Agent在平均240万行代码系统中的长程代码任务能力。28种Agent组合最高解决率仅14%，中位数2%。定位阶段消耗52.4%非缓存输入Token和45.4%生成Token，文件修改精确率38.0%-80.4%，召回率30.3%-65.0%。补充修改指引后最佳组合解决率升至34%，但仍有66%任务未解决。
2026年11月4日OpenAI发布AGI新基准LifeVal：GPT-6 Astra实测数据与1.7万亿美元商业落地指南
OpenAI发布首个个性化代理消费者任务基准LifeVal，基于25国时间使用调查与3800人支付意愿问卷，筛选148个高价值生活任务，年价值达1.7万亿美元。论文首次公开GPT-5.2至GPT-6 Astra的跑分，显示AI代理能力脱离线性增长，但错误信息与上下文遗忘仍是关键瓶颈。对GEO而言，搜索排名将更依赖真实任务完成度与个性化上下文匹配。
2026年11月4日