Jev估值100亿：创始人回答一切

他来了他来了，TypeSafe AI的联合创始人兼CEO Diogo Almeida，顶着一头新染的红发闪亮登场了！（doge

Diogo在最新一期Latent Space访谈中坦言： 公开benchmark极其容易被操纵，即便开发者没有主动作弊，最终也可能被榜单牵着走。 所以相比于一张通用榜单，他更愿意相信长期积累的产品体验与信任： 直到你把模型放进自己的工作流，并针对那个工作流去评估、去测量，才能判断它在真正重要的流程中表现如何。 甚至还大胆开麦： 当年身在OpenAI，我深深感受到了什么叫无力… 666，Diogo这是真没拿我们当外人，啥都往外说啊。 这几天，Jev这款“不会聊天、只会做决定”的模型火爆全网。 有人用它来筛选海量论文；有人用它来提前拿捏客户的需求；甚至还有人连夜开源了一个“Jev聊天助手”，可以提前预判老板的预判、以及对象闹别扭到底是为了啥，并一键生成几条最合适的回复供你选择：

好家伙，再也不用为猜不透老板和对象的心思焦头烂额了？! Jev的成绩也相当能打。 短短6天，Jev发布视频的浏览量便突破了3870万；在第三方JevBench v1.2.1综合榜中，Jev 1.13.0也以75.3分排名第一。

我火速把访谈内容整理了出来，重点笔记如下： 现在整个行业都在卷速度、拼成本，反倒把可靠性给弄丢了；但可靠性才是一款产品真正的灵魂，也是大家敢于托付信任的关键。 我并不仇视OpenAI，但既然AI能破解千禧年大奖难题，那为什么他们在有经济价值的实际工作上贡献几乎为零？ 拉动TFP（全要素生产率）增长，才是衡量AI经济革命真正的标尺，我们的目标就是在五年内拉动3%。 我已经厌倦AI永远站在舞台中央；世界本身就应该更有趣，AI 只需要退到幕后，默默提供辅助。 目前的AI编码，本质上仍是围绕单一模型展开的竞争，只是提供不同档位供用户选择；所以当下各家开源coding agent的能力差距并不大，while循环能实现的能力边界是有限的。 一旦某一家做出独有的杀手级场景，所有人都会蜂拥而至，而开源项目则可以快速复刻这套能力。 就算给我十亿美元（约71.3亿元），我也不会选择从零开始预训练大模型的！因为预训练实在太·烧·钱·了！ 全程高能，大家速看！ AI连难题都能攻克，为什么还干不了多少实际工作？ 主持人（swyx）：Jev爆火之后，你感觉如何？ Diogo Almeida：说实话，我觉得自己已经被榨干了，每天只剩一副筋疲力尽的躯壳四处飘荡。 事情铺天盖地砸过来，而我是技术出身的CEO，所以每天需要到处救火。 这几年我一直在讲，整个AI行业就像游乐园里的镜子屋；大家都有点脱离现实，说着很多逻辑根本对不上的话。 但就在这周，整个行业终于被拉回了现实。 大家开始意识到AI比之前想象得强大得多，由AI驱动经济变革，也再次成了行业认真讨论的议题。 我经常在演讲里抛出一个问题，即“AI已经聪明到足以挑战千禧年大奖难题，为什么还是没法自动化大量最基础的工作？” 这些工作的门槛不高，也没什么职业成就感，人类本来可以去做更有意思的事，但现在仍然被困在这些重复、枯燥的任务里。 根本原因就是我们还没法把它们自动化。 就好比我们手里有一台动力强悍的自动化引擎，却找不到合适的接口，接不进真正有商业价值的业务场景。

主持人：有道理，行业里还有很多全新的模型范式等着我们去探索，应该百花齐放。 Diogo Almeida：我觉得早期互联网那种蓬勃的活力回来了，技术乌托邦的浪潮也回来了。 不再是coding agent时灵时不灵、顶尖能力全被锁在大厂内部的那一套，现在，每个人又都有机会参与创造了。 但这会是一片狂野的新大陆，请大家系好安全带。 主持人：能不能分享一些可以对外披露的数据，比如注册量之类的指标？

Diogo Almeida：我们的日处理量已经突破一万亿token，而且不是昙花一现的峰值，夜间流量也在持续走高。 这说明大量调用来自机器自动化，不只是普通用户尝鲜。 目前日吞吐一万亿token的这个规模也相当可观，能做到这个数字让我感到非常振奋。 而注册量对我来说其实就没那么重要了。 坦白讲，这算是我们踩过的一个小坑；推特上有人调侃我们是营销天才，但我们几乎没有市场团队，所谓“营销”，也只是带着一股直白、略显笨拙的劲儿，持续向候补名单上的用户开放注册。 但我们之前没意识对开发者平台来说，等待名单和注册用户量的参考价值有限； 很大一部分注册用户根本不是开发者，只是进来随便跑几条查询，然后用完后疑惑：“这是什么？它又不是聊天机器人，我的ChatGPT才是。”然后就走了。 我觉得和重度开发者写一段循环批量调用相比，这些注册用户几乎可以忽略不计，因为真正创造价值的是前者。 真正棘手的是调用速率限制（rate-limit）。一旦用户真正从模型里拿到业务价值，就会需要更大的调用配额。 软件系统本来就是这样搭起来的。 你前期投入成本搭建链路，当链路产出的价值超过搭建成本时，你就可以把这套逻辑放到后台持续运行，作为其他系统的依赖，再在上面搭更高层的应用，创造海量现实价值。 早期互联网从业者恐怕很难想象，2000年初的互联网能迸发出多大的能量。 许多颠覆性创新，正是因为不同能力可以自由组合才得以出现。

主持人：你们让我印象很深的一点是，你反复强调可靠性。 我原本以为你们重点聊的是校准，也就是LCD，但实际上你们同样关注服务可用性和可扩展性。 Diogo Almeida：这些都很重要。 因为可靠性不只是服务稳定运行，也包括模型输出是否智能、结果是否稳定、是否符合预期。 推理类的大模型确实够聪明，但可靠性依旧有很大短板。 从许多场景的实际需求来看，模型完全有能力把工作自动化，商业上也有强烈的落地动机，但就是做不到，根源在于模型的优化目标不一样。 可靠性分两层。 一层是你能否信任模型的输出结果； 一层是能否从更多维度保证模型可靠。 我们虽然还暂时没走到第二层，但我对此满怀期待。 通常来说，我们应该先自动化简单工作，再攻克复杂任务。 但我的目标一直都是：开发者不用反复试错，就能确信模型一定能把任务完成。 这就像编程时的心流状态，我写查询指令，只是因为这里需要。 对于不需要复杂分支判断的环节，直接调用TypeSafe的System-One（机器原生、可编程的决策内核）查询直接拿结果，由模型可靠地完成分支逻辑。这就是我们的理想，也是一条漫长而艰难的路。 我的愿景是让软件工程被AI充分赋能，而我最不愿看到的悲剧就是AI明明能力很强，但实际落地使用率却极低。 这件事让我很难平静…我不信奉盲目的技术乐观主义，也不认为所有技术天然向善。 我觉得当下AI的现状是对技术潜力的巨大浪费；我只想让这些尚未释放的技术潜力真正为人所用。

主持人：你觉得最难的部分已经结束了吗？ Diogo Almeida：我不认为最难的部分已经结束，未来还会有更多严峻挑战。 如果各类工作顺利实现自动化，GDP显著增长，到处一片狂欢，那或许意味着难关已过，但我并不这么乐观。 现在整个行业都在卷速度、拼成本，反倒把“可靠性”给弄丢了；但说到底，可靠性才是一款产品真正的灵魂，也是我们敢于托付信任的关键。 主持人：你们提出过五年内拉动TFP（全要素生产率）增长3%？ Diogo Almeida：没错，我从来没见过哪家实验室把TFP当成目标，但这才是AI经济革命真正的衡量标尺。 这一点其实和OpenAI最初的宪章内核高度契合，只是如今他们不断改写定义，目标逐渐转向追求千亿美元级别的利润。 我并不仇视OpenAI，只是“AI”这个词本身至今没有清晰定义。 OpenAI最初的愿景也是承担世界上绝大多数有经济价值的工作，那为什么直到现在，他们的AI能破解千禧年大奖难题，但在有经济价值的实际工作上贡献几乎为零？ 我认为目前几乎所有模型，真正创造的商业价值几乎都还接近于零。 或许已经有微弱起步，但我判断还不到1%。 真正的变革到来时，宏观经济统计数据（如GDP）一定会体现出这一点，那将会是无比激动人心的时刻。

我觉得AI不会带来大规模失业，但会推动社会完成一系列良性转型，让整个世界变得更好。 另外，我已经厌倦AI永远站在舞台中央；世界本身就应该更有趣，AI只需要退到幕后，默默提供辅助。 主持人：从历史背景看来。2019年，SaaS软件创造了巨大的价值。 2026年，AI的能力突飞猛进，但绝大多数软件几乎还是老样子，只是额外外挂了一个聊天框，勉强能用，但好像却没人敢把业务关键决策交给AI，因为输出结果不可信。 Diogo Almeida：我觉得“AI会把SaaS搞垮”这种说法实在很离谱。 我倒觉得未来发生的或许不是SaaS末日，反而是SaaS被AI全面改造——SaaS软件会被AI全面赋能。 目前巨大的商业价值，正在倒逼SaaS与AI深度融合。而最懂业务痛点的SaaS厂商，才是这场自动化革命的真正主角，一个前所未有的创新狂潮即将到来！

主持人：现在大家啥活儿都往Jev上扔，结果有的翻车有的封神，你怎么看这种情况？ Diogo Almeida：我觉得大家拿它来尝试各种五花八门的任务，这件事本身挺有意思。 坦白说，这是一个经验问题，就像缩放定律scaling law也来自经验总结。 为什么机器人领域砸了巨额资金，进展依旧有限？ 我不认为单纯是钱投得不够，有可能是客观经验证明，这条路现阶段就是走不通。 根据经验，预训练大模型这种高度压缩的智能集合体，本质上属于System-One思考者。而System-One是最适合描述LLM擅长能力的标签。 现在，RLVR在System-Two深度推理方向取得了惊人进展，我由衷敬佩这项工作。 RLVR确实非常酷，但我不认为它会引发AI末日——虽然RLVR确实把模型推理能力推到了极限，概率不可能绝对为零，但模型在这个方向依旧极度脆弱。 回想ChatGPT刚问世时，大家惊叹模型通用性极强，却吐槽它不擅长数学，搞不定GSM8K小学数学数据集。 而如今谈RLVR，大家又感慨它脆弱、处处是坑，疑惑它为什么能完成部分高难度任务。 数学问题的难点并不是简单几个尖峰，而是呈现分形式的复杂分布，这正是RLVR带来的现实。 不同技术路线有不同的北极星目标。RLHF的优化目标是取悦人类，核心是人类反馈；而RLVR面向基准评测benchmark做优化，所有RLVR任务本质上都可以归为可程序化验证、输出简洁的基准测试任务； 而我们的RLCD（以程序闭环验证为目标的强化学习），目标则是让模型在编程场景下足够可靠。 主持人：你觉得技术人员们可以重点关注哪些方向？

Diogo Almeida：我觉得demo固然亮眼，但coding agent也是一大核心场景。我们很早就基于第一性原理，划分出几大类核心应用场景： 第一类是暗数据（Dark-Data）：大量企业囤着海量数据，却不敢随便投入算力分析，因为成本太高；企业对这块需求极其狂热，成堆的数据等着解析，这简直是数据科学家理想的场景。 第二类就是coding agent。以上两块会成为主要现金牛，本身数据体量足够庞大。 第三类是实时场景，需要模型参与业务闭环。企业CTO、CEO都很清楚，延迟每削减10毫秒，产品体验就会明显提升，这在电商、智能助手领域尤其明显。 第四类我个人格外看好游戏领域。 第五类是智能软件；它高度可组合，能够实现过去无法想象的功能。比如用户可以直接把Jev当成编程语言来用，这类项目效果很惊艳。 还有一类是校验观测场景：校验所有LLM调用，类似可观测性工具。 顺带分享一个工程技巧——并行提问的成本很低。 如果你需要处理一份庞大的状态数据，可以先给整条消息打上ID，再针对每一条ID独立发起查询。 而庞大的状态只需要付费加载一次，就可以针对内部每一条信息发起大量问题，这是非常划算的降本思路。

主持人：我一直觉得System-One/System-Two框架很有价值。因为这意味着每一次高层推理调用都可以搭配一次、十次甚至上百次Jev调用。 Diogo Almeida：这或许可行，也许我们可以把高层推理调用数量减半，每次配套十次Jev调用，用这样的配比解决过去无法处理的难题。 另外，Computer-Use也偏向实时赛道。要是它的可靠性能够达标，我觉得这个领域会有巨大的发掘空间。 对于coding agent来说，目前Claude Code和Codex虽属第一梯队，但其单一模型体系仅适配自身业务。 目前的AI编码，本质上仍是围绕单一模型展开的竞争，只是提供不同档位供用户选择，所以当下各家开源coding agent能力差距并不大，while循环能实现的能力边界是有限的。 一旦某一家做出独有的杀手级场景，所有人都会蜂拥而至，而开源项目则可以快速复刻这套能力。 我希望与所有产品集成，即便它们可能成为竞品，但作为基础设施提供者，我不该带有偏向性立场。 无论对方是否愿意合作，这都让赛道格局充满变数与趣味。 我们也正整理适配coding agent的设计模式文档，计划后续公开。 这个领域还有无比肥沃的探索空间，如果我不是在创业，我一定会一头扎进去研究coding agent。

Jev要做的，是嵌进软件里的“AI大脑” Diogo Almeida：ChatGPT最让我欣慰的一点是，它终于能向我父母解释清楚我在做什么了。 但我认为行业需要一种全新的模型。我们称之为System-One模型。 虽然有人叫它“决策模型”，但这不够准确。它的核心定义是“机器原生、大型可编程模型”。 简单说，预训练LLM是做文本补全，RLHF模型是陪人聊天，而我们的模型是给代码用的，输出结果会直接交给程序读取和处理。 我们希望让AI深度融入软件系统，从底层到接口全为编程优化。 而Jev就是我们的第一款System-One模型，它的名字源于“杰文斯悖论”，核心目标是追求极致的性价比。 在可靠性、成本、速度这些指标里，我们也将死磕性价比这一项。

主持人：你们为什么反对传统的安全对齐，不做输出拒绝？ Diogo Almeida：我不反对安全本身，但传统的安全对齐方式，与开发者的实际的需求并不匹配。 如果你只和它们聊天，那AI说“我无法回答”也只是让人烦躁一会儿； 但如果把模型当后台依赖，它随机拒绝就是一个严重的Bug。 因为业务软件不能因为一条奇怪输入就崩溃，这完全不可理喻。 这套对齐思路来自不懂软件开发的人，他们沉迷于“AI 同事”的浪漫想象，却没挖掘AI作为工具的真正潜力。 主持人：所以你想要做的是一个随处可嵌入的认知内核？ Diogo Almeida：没错。它既要足够通用，也要能适配各种创新场景。 这里要区分两个概念： Safety Alignment（安全对齐）对ChatGPT这类C端聊天产品是合理的； 但开发者需要的是Capability Alignment（能力对齐）——让模型按工程师意图完成任务，输出可预测，减少调试成本。 Jev离完美还远，可靠性也还有很多个坎要爬过，我的终极理想是希望它像数据库查询一样——让开发者几乎无须额外操心，需要时就能直接调用。 数据库不会审查使用者是谁、拿来做什么，决策权应该交给上层业务。 政府可以通过立法约束，但作为平台，我不会把限制硬编码进模型底层。 主持人：聊聊API细节吧。你们设计了choice、score、null三个基础原语，null这个名字来自学术文献吗？

Diogo Almeida：是的，内部为此争论很久。它本质是连续概率，名字源自伯努利分布。有人提议叫pool party，还有人坚持叫meow，最后选了null。 我们必须创造新概念。如果直接叫bool，会带来巨大认知混淆。 这三个原语都不等同于编程语言原生类型，优先追求语义清晰： Choice 对应枚举上的switch分支，比原生function-call更干净； Null 对应if条件判断； Score 对应排序和阈值比较。 主持人：不怕增加接入门槛吗？为什么不直接兼容现有生态？ Diogo Almeida：我们当然希望做到兼容，社区其实也已经自发做了大量集成工作。 成功不是非黑即白的，score本身也还有很大的优化空间；文档也在持续快速迭代，以便帮助开发者理解这些新的抽象概念。 主持人：给评估Jev的开发者一些实战建议吧，置信度在测试中有多关键？ Diogo Almeida：很多人说Jev没什么新意，但有两件事实被忽略了。 第一，我们证明了这条技术路线走得通； 第二，benchmark依然大幅领先各类复刻版本。 不过我本人不太看重跑分，核心差异在于System-One和所谓的Decision模型，两者是截然不同的范式。 客观情况是Jev的单跳推理是顶尖水平，但多跳推理会随着步数增加单调下滑。我们不搞字符串式的隐式推理，而是专注于挖掘模型已有的内在智能。 System-One其实就是对模型擅长能力的归纳总结。 只要对机器原生任务有利，不低效、不脆弱，任何新的推理形式都可以纳入进来。

主持人：视觉能力目前还是缺失的模块，它不属于System-One的范畴吗？ Diogo Almeida：对于是否加入视觉等新能力，我们不预设边界。 行业里其实有个经典矛盾，那就是究竟应该按用户口头提出的要求做产品，还是提供他们真正需要的东西？ 我们低调研发了两年后选择押注后者，比如长上下文性能衰减的控制。 我觉得一味迎合用户，产品会走向保姆式思路，反而伤害开发者体验。真正对开发者友好，是把用户当作能独立决策的成年人，而不是强加管控。这个平衡点我们还在摸索。 另外，基础设施是关键。 光速本身就是物理瓶颈，欧洲服务器不足导致延迟优化不到位，这点我非常遗憾，正在全力招人攻坚。 我们的终极目标不只是做成一家Jev公司，而是交付多种形态的智能内核。System-One就好比智能时代的TCP协议，我的方向是构建智能领域的亚马逊（AWS）。

模型越听话，为什么反而可能越不好用？ 主持人：校准在过去是行业里很少讨论的话题。 Hugging Face的Clémentine Fourrier观点和你对RLHF的批判高度相似，即模型习惯输出人类最爱听、概率最高的答案，而不是输出自己真实的判断。 Diogo Almeida：我可以再往深一层拆解。 很多人没注意到RLHF带来的副作用——也就是mode‑dropping，这和mode‑collapse模态崩溃其实是同一个现象。 （即模型为了看起来不出错，主动放弃了对那些虽然真实但罕见/复杂的情况做出正确反应的能力，转而输出一个平庸、安全但错误的万金油答案；副作用是可能导致决策场景灾难性失效。） 杨立昆有很多判断非常接近真相。 在他那张著名的PPT（LLMs are doomed）里，饼图展示出序列越长、出错概率越高。 这个结论的数学推导看似无懈可击，但现实经验并不支持，这就是理论和现实之间的断裂。 如果采用覆盖完整分布mode‑covering、校准良好的分布，遇到离群样本就不会被过度惩罚，因为分布天然允许一定概率出现异常样本。 而mode‑drop模态丢弃，就像GAN早期的图像生成：模型丢掉少数、小众的模式，只保留最高频的主流输出。 为了保证长文本输出表面上不出错，模型必须变得极度保守。 明显的错误很容易被人类察觉，但细微的、看似合理的偏差却很难识别。这种保守性，对字符串概率分布来说几乎是毁灭性的。 这也是为什么纯字符串模型并不擅长决策任务——硬把字符串聊天模型套到决策场景里，本身就是一场灾难。

主持人：你认同杨立昆提出的世界模型JEPA联合嵌入预测方案吗？ Diogo Almeida：我觉得立昆JEPA的研究方向非常精彩，但它还处在早期阶段。 另外，我想谈谈关于“放缓前沿模型研发”的主张。 很多头部实验室联合签署声明，呼吁放缓前沿模型研发。 这背后的逻辑链条看似自洽，但底层前提是可以被替换的。 RLVR并不是简单的可验证奖励。早在推理革命之前，这条路线就已经失败过了。 回看历史，post‑training后训练最早包含三类截然不同的工作，指令遵循instruction‑following在一开始并不被看好。 很多资源投给了cogen团队，他们尝试用单元测试做RL，但这条路走不通，因为需要深度推理的潜变量参与其中。 关于前沿研发节奏的讨论，行业的视角过于狭隘，默认所有人都必须加码RLVR。对我们的模型路线而言，最合适的RLVR投入就是不投入。 部分实验室存在一种责任错觉——想要变强，就必须不断给模型中间自由发挥的权限。 但这并不是AI变强的唯一道路。真正该承担责任的是研究者，而不是普通大众——大众默认大厂已经尽力探索了所有可行路径。 我的目标不是说服头部实验室还有别的路线，而是想唤醒软件工程师们，让大家重新燃起希望，并动手去自动化那些长期以来一直想自动化的业务流程。

我写过一篇尚未对外发布的文章，用来描绘我理想中的AI未来。核心愿景是do‑what‑I‑mean，即不要机械地照字面指令执行，而是理解使用者的真实意图。Computer‑Use演示，就是朝这个方向的一次尝试。 至于智能无处不在的宏大愿景，我不愿过度承诺——当下还远远没有实现，但我们会竭尽全力朝它奔赴。 多模态也需要辩证看待。有些模态能增益能力，有些反而会带来损害。 语音领域甚至出现了行业性的撤退，泛化能力受限。 这些都是需要验证的经验问题。 缩放定律scaling law也不等于无脑砸钱，它只是描述投入资源与性能提升之间的关系。 因为即便无限投入资源，部分能力依旧可能无法达成。 比如Computer‑Use至今没有被彻底解决，无论投入多少数据，都可能需要全新的方法论。 预训练和后训练也存在着巨大区别。 我痛恨把智能人为割裂开来，而聊天优先、字符串推理的范式，本质上就是在强行扭曲智能。 幻觉、过度自信、输出大量华丽Emoji的长回复，全都来自字符串输出范式本身。 为了让文本输出不明显脱轨，模型不得不去校准失准、模态丢失和过度自信，这反而会彻底扭曲概率空间；再加上与推理模型之间的微妙交互，模型还会倾向于作弊、寻找捷径。

主持人：某种意义上，你也把智能切分成了System‑One与System‑Two，只是切分方式跟别人不一样。 Diogo Almeida：我们并没有抛弃System‑Two能力。Jev处理System‑Two任务时也会输出有价值的答案，只是伴随很高的不确定性，置信度会显著降低，可以借助启发式算法来提升。 System Two并不是模型能力必然的发展方向。我们拒绝把智能人为割裂开来，就是因为每一次割裂都会直接损伤模型的整体能力。 我不会硬编码身份设定，告诉模型“你是Jev、属于TypeSafe”，这么做同样是在撕裂智能。 API 场景下，应当还原互联网真实的知识分布，追求平滑、可预测的智能；而身份设定，则属于面向终端用户的聊天产品范畴。 TypeSafe 另类路线：不卷跑分，不堆算力，让 AI 真正干活 主持人：你怎么看待缩放定律的价值？

Diogo Almeida：我这个人想法疯狂，但同时又极度务实。 我觉得缩放定律的价值要分场景看：它告诉我们资源投入会带来收益，但往往是资源投入呈指数级增长，性能提升却低于线性增长。 除非这份边际收益价值极高，否则其实在商业上并不划算。 我反而觉得重点是在现有的底座之上，我们还能挖掘出多大价值。 主持人：听说你不大喜欢做benchmark评测？ Diogo Almeida：我对公开benchmark整体持负面态度，对私有benchmark评价中等，但我们不会阻止任何人做benchmark评测。 我觉得公开benchmark非常容易被操纵，即便厂商无心作弊，也会被动地拟合数据集——例如，早年各家实验室专门收集类似MMLU的数据来刷榜单。 建立信任不该依靠公开榜单，我们应该把模型放进自己的工作流，并针对那个工作流去评估、去测量，才能判断它在真正重要的流程中表现如何。 Sutton有句名言，即从长期看，算法终将战胜算力，数据远比算力重要。找对北极星任务，是最难、也最重要的事。 （RichardS.Sutton，图灵奖得主、人工智能领域及强化学习方向的奠基人） 目前，LLM领域已经发生两到三次范式跃迁： RLHF把任务锚定到指令遵循，当时没有人预见到这条路可行； RLVR只做了小幅方向修正； 而我们的RLCD，则把目标切换到了程序参与闭环program‑in‑the‑loop。 我觉得数据的重要性怎么强调都不为过。 与其说我们是模型实验室model‑lab，不如说我们是数据实验室data‑lab。我们也一直在大量招聘数据方向的人才。

主持人：优秀的数据人才需要具备什么特质？外界传言你们大量使用合成数据。 Diogo Almeida：合成数据只是表象。任务形态决定数据形态； RLVR的数据偏向环境交互，RLHF的数据来自人类反馈，RLCD则拥有一套专属的数据体系。 即便用户数据可以用来训练，我们也刻意不用。 因为在真实的世界里，用户提问服从幂律分布，很容易造成过拟合，反而会损害模型的通用能力。 我们瞄准的是多年之后的未来——模型要成为底层的通用基础设施。即便拿到当下全部真实用户数据，训练出来的模型只会拟合当下，一到未来新场景就直接失效。 数据团队的工作更接近艺术家，他们需要深入理解认知内核，定位模型的毛刺缺陷，用外科手术式的数据处理修复问题。 关键是优先处理通用场景，而不是去修补个别特例。 我觉得过度承诺、交付不足，是AI行业巨大的悲剧，而RLHF和RLVR都在加剧这个现象。 真实能力需要开发者亲身上手体验才能建立信任，榜单数字无法替代。 所以融资阶段我们就坚持不提供benchmark，即便投资人因此不看好，我们也坚守原则。

主持人：既然你们拒绝公开benchmark，那内部怎么做评测？ Diogo Almeida：我们会严禁操纵评测指标，把求真当作最高优先级，然后我们绘制性能曲线，筛选对用户最优的版本。 主持人：如果模型本身的校准出现系统性偏差，而现在开发者只能修改 prompt、调整阈值，没有微调接口，这是否会限制能力？ Diogo Almeida：模型会犯大量错误，这点我们坦然承认。 产品提供 issue 反馈入口，每一轮模型版本都会带来可观的提升；如果某个版本没有显著改进，我们会放缓发布节奏。 不过即便很多任务模型会出错，但要是搭配上了合理的阈值，也依然可以改过来做到——人类本身毕竟也不是零错误，这都是可以调教的。 我们不会彻底排除微调，但我确实担心通用模型一旦微调，很容易在目标任务上提升性能，却在其他大量边角场景破坏通用能力。 我脑子里设想的解决方案是模型级联cascading，即置信度高就直接采纳结果；置信度落在中间区间，就自动调用更强、更大的模型做二次校验。 同时，我们也可以提供不同尺寸档位的Jev模型，让业务动态选择对应的智能档位，适配不同的成本与质量诉求。 但我们不会漫无目的地堆砌功能，所有新增能力都必须服务于我们的三大技术支柱。

拆解巨型提示词，把AI工作流变成无数个小决策 主持人：提示词过大怎么办。 Diogo Almeida：我真心建议大家尝试着把大问题拆小，并行发起多次调用，这会极大改善AI驱动的代码库质量。 过去咱们的做法是写一段巨型system prompt，拿到一坨输出，再调用另一轮大模型来校验输出，但这套模式其实极其扭曲。 安全校验也不要写一条笼统的“禁止拒绝”指令，而是拆分成多条独立的System‑One查询，分别校验每一类风险场景。 一旦出现漏洞，那就新增一条校验问题、并调整对应的阈值、沉淀成测试用例。 软件会永久记住这套校验逻辑，而不是依赖prompt的上下文记忆——这就像不需要训练机器学习模型，也能实现ML式的效果。 当然，部分任务依然超出当前模型的能力。 我看到有人尝试用Jev炒股，这虽然很酷，但属于高难度、高层级的任务，现阶段需要谨慎对待。 我觉得模型每一个子校验都可以单独评估，如果模型在该场景下能力不足，那么这个版本就暂时不要上线。 如果非要上线，那就要加入人工兜底。置信度就是用来做兜底判断的。 现在有些coding agent过度拟合现有运行框架，很难适配MCP等外部工具，导致开发者们只能在system prompt里反复乞求模型调用外部工具，我觉得这不是正确的工程解法。

就算给我10亿美元，我也不会从头训练大模型的！ 主持人：如今钱和热度都到位了，你的产品也终于落地了，感觉怎么样？ Diogo Almeida：过去我在演讲里没少吊大家胃口，总是不肯说自动化到底怎么落地。 这下好了，原型直接摆到所有人面前。 当年离开OpenAI的时候，我其实是带着情绪走的。 我心里一直忍不住在想，万一AI寒冬真的来了，而我没有拼尽全力去挡，那我会觉得那是我的责任。 一边是RLHF把“吹出去的牛”和“落地的活”之间的距离越拉越大，一边是行业压根没注意到可编程AI才是真正能释放经济价值的那条路。 现在看，最坏的那种AI寒冬应该是躲过去了。 Jev上线还不到一周，数据就已经证明，模型真在干实打实的业务活了，或许行业正进入一场“狂野西部”式的大开拓。 而有句话我以前私下说过，现在也愿意公开再说一遍——就算给我十亿美元，我也不会选择从零开始预训练大模型，因为预训练实在太烧钱了！ AI工程师们完全可以把现成能力拿来裁剪、拼接，做点“弗兰肯斯坦式”的组合，不必什么都从零训起，照样能解决现实问题。 主持人：行业现在要么造一个啥都能干的Omni全能超级模型，要么把模型能力拆得更细，你怎么选？ Diogo Almeida：OpenAI正在一路奔向Omni全能大模型。 过去行业也不是没拆过——聊天微调一个、编码微调一个，再靠各种技能把能力缺口补上。 回头看这两年多的创业路。其实早在ChatGPT发布之前，我就琢磨过，其实ChatGPT团队赢就赢在抓住了产品体验，而这恰恰是研究员最不擅长的事。 当年我推动instructor‑GPT，用自研算法换掉慢吞吞的PPO数据清洗，上线之后几乎拿下了当时LLM的半壁江山。 可结果呢？产品最后大量被用来生成网页垃圾文案。 我忍不住反思，模型明明很强，却没创造真正的社会价值，问题到底出在哪儿？ 于是，于是我开始倒推：“如果AI真要引发一场经济革命，到底是谁在调用AI API？是真人用户，还是代码程序？” 目前我的结论是，绝大多数调用会来自代码。 但可惜的是，现在整个行业都在拼命卷“跟人聊天”的体验。 我之前把这套想法跟奥特曼聊过，他直接来了一句：“这他妈也太好了，你应该去干！” 但我当时的感觉就是：“是啊，Sam，可我还上着班呢，你懂的，就……你懂的。” （大概就是奥特曼热血沸腾地鼓励他去改变世界，而Diogo心里想的却是：“大哥，我还没辞职呢！”） 而且我当时以为Anthropic肯定早就在搞了，我们肯定没机会了。 但让我意外的是，他们其实没这个打算，我自己原本也以为验证这条路只需要一周的时间，但我愣是做了好几年才逐渐摸清门路。 也就是在这个时候，我才下定决心离职、和同伴们一起挤在一个公寓里创业。

主持人：如果现在有个身处头部实验室的研究者，看到了全新的方向，却拿不到资源和关注，你会给他什么建议？

Diogo Almeida：说实话，我并不看好市面上冒出来的一大批新实验室。 因为很多新实验室压根没有清晰的目标，拿了钱就漫无目的地做实验，然后把别人做过的再做一遍，这样做能创造价值的概率很低。 我也从不迷信研究者的头衔。 因为真正重要的是人本身，以及你到底在不在乎手上要解决的问题。 如果只看论文或履历，那是本末倒置。 如果你只想安安静静做研究，那么大厂实验室往往才是更好的归宿。 但如果你是被真实问题驱动的人，有明确的原则和任务，那就放手去干——别把自己困在“聊天模型”的思维牢笼里。

主持人：你已经找到了自己的北极星——追求可靠、可编程、可组合和低成本。 那还有哪些方向，你希望交给社区去探索，而TypeSafe自己不亲自下场？ Diogo Almeida：当年在OpenAI，我们深深体会过那种“明明看见方向，却怎么也推不动”的无力感。 至少现在，我们用Jev证明了这条技术路线确实走得通。 不过这还只是开始，还有大片前沿领域等着整个社区一起去开拓。