TypeSafe AI 创始人 Diogo Almeida 详解 Jev 模型定位、RLCD 技术路线及 100 亿美元估值逻辑

一句话结论

TypeSafe AI 联合创始人兼 CEO Diogo Almeida 披露 Jev 估值达 100 亿美元，该公司定位为数据实验室，通过 RLCD 技术打造机器原生决策内核，旨在五年内拉动全要素生产率增长 3%。

关键要点

• Jev 模型在发布 6 天内视频浏览量突破 3870 万，在 JevBench v1.2.1 综合榜中以 75.3 分排名第一，其核心目标是极致性价比与程序原生决策能力。
• TypeSafe AI 确立 RLCD（以程序闭环验证为目标的强化学习）技术路线，明确区别于旨在取悦人类的 RLHF 和针对基准评测优化的 RLVR，强调输出可预测性以降低调试成本。
• 公司日处理量突破 1 万亿 token，夜间流量持续走高；创始人 Diogo Almeida 表示，即使获得 10 亿美元融资，也不会从零开始预训练大模型，而是基于现成能力进行组合开发。
• Jev 的 API 设计包含 Choice、Score、Null 三个基础原语，分别对应枚举分支、排序阈值及条件判断，旨在让模型输出直接供程序处理，而非传统的文本补全。
• 针对当前 AI 应用现状，Diogo Almeida 指出绝大多数 AI 调用来自代码程序而非真人用户，并建议通过并行提问、拆解巨型提示词及建立独立安全校验查询来降低算力成本并提升可靠性。

背景与事实

TypeSafe AI 联合创始人兼 CEO Diogo Almeida 在 Latent Space 访谈中详细阐述了公司最新进展与技术理念。数据显示，Jev 模型在上线后的 6 天内，其介绍视频浏览量迅速突破 3870 万，并在 JevBench v1.2.1 综合榜单中以 75.3 分的成绩位列第一。与此同时，TypeSafe AI 的基础设施处理能力显著增强，日处理 Token 量已突破 1 万亿，且夜间流量呈现持续走高趋势。公司设定了明确的长期目标，计划在五年内拉动全要素生产率（TFP）增长 3%。

在技术路线上，TypeSafe AI 明确提出了 RLCD（Reinforcement Learning with Code/Data in the Loop，以程序闭环验证为目标的强化学习）方法。Almeida 强调，RLCD 与传统的安全对齐（Safety Alignment）或取悦人类的 RLHF 有本质区别，也不单纯追求基准评测分数的 RLVR。他认为，RLHF 容易导致模型出现“模态丢弃”现象，输出保守且通用的“万金油”答案，损害了决策的可靠性。相反，RLCD 旨在通过程序参与闭环，让模型输出直接供程序处理，从而提升编程场景的可靠性与预测性。Jev 的 API 设计体现了这一理念，提供了 Choice（对应枚举 Switch 分支）、Score（对应排序及阈值比较）和 Null（源自伯努利分布，对应 If 条件判断）三个基础原语。尽管 Jev 在单跳推理方面处于顶尖水平，但团队也承认其多跳推理性能随步数增加会出现单调下滑，目前正致力于挖掘模型内在智能，而非依赖字符串隐式推理。

公司战略上，Almeida 将 TypeSafe AI 定位为“数据实验室”而非传统的“模型实验室”。Jev 的名字源于杰文斯悖论，核心追求是极致性价比。Almeida 指出，当前几乎所有模型创造的商业价值占比不到 1%，尽管 2026 年 AI 能力增强，但多数软件仍仅在外挂聊天框，业务关键决策因输出不可信而未真正交给 AI。因此，公司刻意避免使用真实用户数据，因为用户提问服从幂律分布，容易导致模型过拟合而损害通用能力。相反，团队专注于合成数据与任务形态的适配，招聘了大量数据人才，数据团队的工作类似艺术家，优先处理通用场景。Almeida 明确表示，即使公司获得 10 亿美元（约 71.3 亿元）融资，也不会从零开始预训练大模型，而是支持基于现成能力的组合开发。此外，公司拒绝在融资阶段提供公开 Benchmark，认为公开指标易被操纵及拟合数据集，建议开发者在工作流中评估模型，内部严禁操纵评测指标，通过绘制性能曲线筛选最优版本。

影响分析

对于中文开发者与企业从业者而言，TypeSafe AI 提出的技术路线具有显著的参考价值与警示作用。首先，RLCD 技术路线提示开发者，在构建 AI 应用时，应优先考虑如何将模型输出结构化、程序化，而非依赖自然语言生成的模糊性。Jev 提供的 Choice、Score、Null 原语展示了如何将概率模型转化为确定性的逻辑控制流，这对于需要高可靠性、低调试成本的业务关键决策场景尤为重要。Almeida 关于“能力对齐”而非“安全对齐”的观点也影响了开发者的选型策略：在当前阶段，模型的输出可预测性比道德约束更直接影响商业价值，开发者需要在上层业务逻辑中嵌入校验机制，而非完全依赖模型底层的安全限制。

其次，关于成本优化的建议对资源有限的团队尤为关键。Almeida 提出的“并行提问降本”策略——即对状态数据打 ID 后独立查询，仅付费加载一次庞大状态——为降低高昂的 Token 费用提供了具体操作指南。同时，他建议拆解巨型提示词并将安全校验拆分为独立查询，沉淀为测试用例，这有助于开发者建立更稳健的自动化测试体系。鉴于 Jev 模型在单跳推理上的优势及多跳推理的衰减特性，中文开发团队在应用 Jev 或类似模型时，应避免依赖其进行长链条的复杂推理，而应设计模型级联方案：高置信度任务直接采纳结果，中置信度任务则调用更大模型进行校验。这一策略不仅适用于 Jev，也可推广至其他 LLM 的应用架构设计中，帮助企业在追求技术前沿与保障业务稳定性之间找到平衡点。

适用边界

本结论主要适用于追求高可靠性、程序原生决策及成本优化的自动化软件系统开发场景。Jev 模型及 RLCD 技术路线对于创意写作、非结构化情感交互等需要高度灵活性与拟人化表达的场景可能并非最优解，因为其核心设计初衷是替代传统的文本补全，转而服务于程序逻辑控制。此外，Almeida 关于“不使用真实用户数据以防过拟合”的策略，虽然在提升通用能力上有效，但在针对特定垂直领域微调时可能缺乏细粒度的领域知识适配，开发者在特定行业落地时仍需结合领域专属数据进行调整。对于算力资源极其有限、无法承担大规模推理调用或级联校验成本的初创团队，Jev 的高算力需求与高精度校验策略可能带来过高的基础设施门槛，此时采用轻量级模型或纯规则引擎可能是更务实的选择。

孤本观察

基于本文事实，编辑观察到 TypeSafe AI 试图通过“数据实验室”定位重构 AI 产业价值分配，其核心逻辑是将模型视为可被程序验证的“智能内核”，而非黑盒生成器；这种对程序确定性而非文本生成性的执着，揭示了当前 AI 商业化中“可靠性”高于“创意性”的深层需求。

来源：量子位