8.1
深览指数
科技腾讯新闻··AI 生成
专访Jev发明者：把工作流程掌握在程序里，只在需要理解和判断的地方嵌入AI
TypeSafe创始人Diogo Almeida在访谈中提出，当前AI难以自动化基础工作的核心问题不在于能力不足，而在于模型设计初衷并非为了服务软件工作流。他介绍了其团队推出的新模型Jev，作为一款面向程序调用的「系统一模型」，核心指标是「每美元智能」。他批评了RLHF导致模式坍缩，并提出了RLCD训练范式，旨在让模型在程序环路中可靠运行，而非成为更像人的聊天对象。本文适合关注AI工程化落地、模型可靠性及非传统训练路径的从业者阅读。原文 ↗
核心观点
- ▍AI自动化基础工作的最大瓶颈不是「智能」不足，而是「可靠性」不足，传统模型的设计（如RLHF）使其难以作为软件基础设施稳定运行。
- ▍Jev被定义为「机器原生、系统一、大型、可编程模型」，核心理念是让代码成为模型的直接消费者，而非人类聊天对象；其优化目标是「每美元智能」。
- 01Almeida曾参与OpenAI指令跟随模型的构建，后离开并花费两年多时间思考为何足够聪明的AI难以可靠地进入真实工作流。
- 02RLHF的主要问题是「模式坍缩」：模型为避免犯错而放弃少见但可能有价值的答案，变得过于保守，丧失了探索空间。
- 03Almeida提出的RLCD（基于代码反馈的强化学习）与RLHF、RLVR不同，核心目标是让模型在程序环路中可靠工作，而非单纯取悦人类或完成可验证任务。
- 04Jev的API设计了三个核心原语：choice（类似switch）、score（排序/设阈值）、no（类似if判断），这些概念直接对应编程基元，让模型输出能被代码直接消费。
- 05Almeida强烈反对传统安全对齐中的「拒答」模式，认为这在聊天场景尚可接受，但在后台程序依赖中，模型拒绝执行会导致整个系统失效。他将AI比作数据库而非同事。
- 06开发者使用Jev的建议是将任务拆解为最小语义单元（如将复杂问题拆成一百个独立小问题），以确保每一步可测试、可定位，使AI变成可验证的软件组件。
反方 / 局限
- — Almeida承认Jev首次发布更像一个低调的研究预览，远非终极产品，其后续发展（如后续层、新形态智能）仍面临诸多挑战。
- — 他承认不追求确定性（同一输入得出同一输出），因为这可能以牺牲智能为代价；但这也意味着模型行为的不完全可控性可能成为某些严格安全场景的隐患。
- — Almeida明确表示「数据比计算更重要」，但这一观点在当前大力押注算力扩张的主流AI行业内部存在分歧，且基于RLCD的路线尚未在公开基准上获得广泛验证。
13 分钟 · 5 卡片 · 13 资料
读原文 →