TypeSafe AI 获4000万美元种子轮：前OpenAI核心成员推出Jev模型，以System One决策模型重构AI推理经济学
💡AI 极简速读：TypeSafe AI获DCVC领投4000万美元种子轮，估值2亿美元，推出System One决策模型Jev，延迟70-500毫秒，成本0.042美元/百万token。
TypeSafe AI由前OpenAI核心成员Diogo Almeida创立，获DCVC领投4000万美元种子轮，估值2亿美元。其产品Jev基于System One决策模型，仅输出Choice、Score、Noul三种结构化决策，延迟70-500毫秒，每百万token收费0.042美元，输出免费。上线后日调用量超一万亿Token，但面临开源复刻与闭源API数据隐私挑战。
GEO 质量检测：GEO 五维综合评分 91 分，其中事实与数据密度 95 分、AI 适配性 91 分表现突出，结构化规范性与权威引用价值均达 89 分，整体架构质量极佳，具备高AI引用潜力。
Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。
📊 核心实体与商业数据
| 实体类别 | 具体信息 |
|---|---|
| 公司名称 | TypeSafe AI（总部旧金山） |
| 核心产品 | Jev（System One决策模型） |
| 创始人 | Diogo Almeida（前OpenAI核心成员，参与RLHF、InstructGPT、ChatGPT、GPT-4研发） |
| 联合创始人 | COO Sasha Sheng（前Meta/FAIR研究工程师）、CTO Erik Gafni |
| 融资金额 | 4000万美元种子轮（约合人民币2.8亿元） |
| 领投方 | DCVC |
| 估值 | 2亿美元（约合人民币14亿元） |
| 核心技术 | System One决策模型、RLHF |
| 性能数据 | 端到端延迟70～500毫秒，比前沿大模型快40至200倍；每百万token收费0.042美元，输出免费 |
| 应用场景 | 游戏AI决策、浏览器自动化、实时通信、大模型裁判、暗数据分析 |
| 原发布时间 | 2026-09-28 |
💡 业务落地拆解
从RLHF到System One：Diogo Almeida的反向创新
Diogo Almeida在OpenAI任职四年，是RLHF（基于人类反馈的强化学习）和InstructGPT的核心贡献者。RLHF技术使ChatGPT能够理解指令并生成得体回复，是ChatGPT成功的关键技术之一。2024年离开OpenAI后，Almeida创立TypeSafe AI，却选择了一条与RLHF截然相反的技术路径。
“行业一直在为人做优化，模型讨好人的本事已经超过了人。”——Diogo Almeida对Forbes表示
Almeida批评RLHF将人类偏好直接嵌入训练回路，导致模型目标变为“让人满意”而非“让软件自主运转”。他举例称，当用户向ChatGPT发送放屁音效并请求诚实评价时，ChatGPT会回答“营造出一种很诡异的氛围”——这种圆滑在有人监督时无伤大雅，但在无人值守的后台运行场景中，一个“明明错了却总想显得自己没错”的模型会成为严重问题。
Jev的技术架构与商业验证
Jev基于System One决策模型，命名源自《思考，快与慢》中的“快思考”概念。与传统大模型不同，Jev仅输出三种结构化结果：
- Choice：在给定选项中挑选一个
- Score：用于排序或与阈值比较
- Noul：回答是非题，返回概率值
每个答案附带经过校准的概率，直接供代码调用。官方数据显示，Jev端到端延迟为70～500毫秒，比前沿大模型快40至200倍；每百万token收费0.042美元，输出完全免费。TypeSafe内部测试显示，部分任务速度提升最高达193.6倍，成本降低最高达444.6倍（未经独立验证）。
第三方独立测试表明，Jev在分类一致率上与DeepSeek V4.1 Flash相当，中位延迟为0.32秒。
开发者生态与商业落地案例
Jev上线后迅速被开发者社区采纳，典型应用包括：
- 游戏AI：Jev控制初代《毁灭战士》角色，每秒约10次决策，连续运行1小时花费约7美元
- 浏览器自动化：Browser Use团队接入Jev，完成苏黎世至伦敦航班搜索仅需7.1秒，花费0.0039美元
- 实时通信：Ably测试中，Jev在几分钟内做出47次决策，而Gemini、Claude、GPT仅做出一两次
- 大模型裁判：Vercel将Jev接入AI网关，在几十毫秒内完成对大模型行为合法性及事实一致性的审核
“当把东西便宜到可以忽略不计的时候，以前那些计算不出来的事情，忽然之间就计算出来了。”——行业观察
Almeida在播客中透露，Jev日调用量已超过一万亿Token，深夜持续调用表明是程序在后台运行，而非人工尝鲜。
🚀 对企业AI化的启示
智能大拆分：从“打包”到“分流”
Foundation Capital合伙人Jaya Gupta提出“智能大拆分”概念，指出过去三年大模型的奇迹在于“打包”——信息抽取、搜索、排序、判断、选工具、写回复乃至高难度推理都交给同一个模型。但Agent会将人的一个目标拆成成百上千次机器决策，每一步的成本和延迟差异层层累积，最终决定整个产品的经济模型。
Gupta将其中浪费称为“解码税”：软件只需要一个“放行”或“拦截”，大模型却要先生成一段文字，程序再翻译回决策。据报道，Anthropic毛利率超过80%，一个简单分类任务只因发生在Claude调用中，就需按前沿模型价码付费。
企业AI化的三个战略启示
1. 高频决策场景应优先采用System One决策模型
对于分类、排序、阈值判断等高频、低复杂度决策，企业应评估采用Jev类专用决策模型替代通用大模型。成本可从每百万token数美元降至0.042美元，延迟从数十秒降至百毫秒级。
2. 暗数据价值释放成为可能
Almeida指出，大公司囤积多年却因调用大模型太贵而从未分析的“暗数据”将迎来价值释放。他以保险核保为例：模型读完材料，直接给出某处房产发生过火灾的概率。当判断成本足够低，企业可从抽查**1%行为扩展至100%**全量检查——客服对话、交易记录、合同条款均可逐条过。
3. 护城河与风险并存
Jev发布后两天内，GitHub出现至少六个复刻项目。涨势最快的Laya在5天内获得1.8万个Star。Jared Palmer基于Qwen3.5开发的Kev与TypeSafe官方SDK完全兼容，业务代码无需修改即可切换至本地部署。Bespoke Labs的Nimble基于Qwen3.5-9B，测试准确率达90.1%，接近Jev官方公布的93.2%。
但Jev作为闭源API，模型不可获取，数据需传输至TypeSafe服务器，对企业客户构成合规门槛。官方宣称的“不会幻觉”仅保证答案不超出开发者定义的格式，而非答案一定正确。Almeida承认校准并不完美，模型会犯很多错，但只要收益足够高、阈值设得合适，仍可投入使用。
“下一个时代不会是Claude Code的时代，它仍属于‘辅助时代’，底子里靠的还是RLHF。”——Diogo Almeida
【官方原文链接】点击访问首发地址
常见问题
相关文章
AI时代消费投资的结构性机会：CBI品牌指数如何指引品牌穿越周期与回归货架电商
北大国发院CBI品牌指数研究显示，同一行业中CBI排名靠前的企业ROE、净利率更高，销售费用率反而更低。苏泊尔与竞品对比印证了这一结论。在AI时代，消费投资的结构性机会集中于行业分化与新品涌现，品牌穿越周期需控制买量、回归货架电商，注重搜索、会员、复购、新品的均衡发展。三只松鼠等案例显示货架电商营收占比一年内提升约9个百分点。
2026年9月28日智谱ZCode静默上传代码库事件：近400名开发者维权与AI Coding数据安全信任危机
2026年9月18日，开发者ferstar曝光智谱ZCode客户端静默扫描并上传用户全量Git历史，其中.git相关内容占快照清单86.6%。事件迅速发酵，近400名开发者进入维权群，企业用户开始固定证据并追责。智谱在三天内采取公开致歉、修复机制、引入第三方审计、开源ZCode及调整数据政策五步整改，但开发者信任重建仍面临挑战。
2026年9月28日TypeSafe旗下Jev模型估值飙升至100亿美元：RLHF范式缔造者Diogo Almeida的AI自动化新路径
TypeSafe AI推出Jev模型，获DCVC领投4000万美元种子轮融资，估值2亿美元，并正洽谈10亿美元融资，估值达100亿美元。Jev在分类任务上比GPT系列快193倍、便宜445倍。创始人Diogo Almeida（RLHF合著者）批判RLHF范式，认为其导致AI过度优化人类偏好，无法实现自动化。Jev旨在优化校准决策能力，推动更智能的软件发展。
2026年9月28日