科技人人都是产品经理·AI搭子木木··AI 生成
大厂后训练视角看Jev模型的更新（大白话）
本文从后训练从业者视角，用大白话拆解了从预训练、RLHF到Jev模型采用的RLCD这一技术演进。核心论点是，RLCD将模型优化目标从“生成人类喜欢的回答”转向“做出校准的概率判断”，让模型更适合嵌入自动化决策系统。文章详细对比了RLHF与RLCD在训练目标、输出形式（Choice/Score/Noul）和数据需求上的差异，并结合客服工单、安全事件处理等场景分析了Jev的价值与局限。适合对AI后训练技术有兴趣、想理解RLCD相对RLHF在应用层核心差异的读者。原文 ↗原文 ↗
核心观点
- ▍Jev模型和RLCD训练方向的核心价值，不是让模型更会聊天，而是让模型学会做出校准的概率判断，以嵌入自动化决策系统。
- ▍RLCD相对于RLHF的改变，本质上是优化目标从“人类更喜欢哪个回答”转向了“在给定信息下，每个判断成立的概率是多少”。
- 01早期GPT（如GPT-3）的训练目标是预测下一个词，导致模型面对指令时可能继续生成关于指令的描述，而非直接执行任务。
- 02RLHF通过人类示范、答案排序、训练奖励模型、强化学习，让模型学会了按人类意图说话，但仍偏向生成文本而非提供可供执行的判断。
- 03RLHF输出的建议式回复（如“建议联系售后”）对人类客服够用，但缺少结构化的概率判断和置信度，不适合软件直接执行。
- 04RLCD模型的核心输出是三类结构化结果：Choice（从选项中选择）、Score（打分）、Noul（判断概率）。
- 05校准（Calibration）指模型给出的概率在长期统计上应与真实发生频率一致：模型常说80%的事情，大约有八成正确。
- 06Jev的创始人Diogo Almeida来自OpenAI，参与过InstructGPT的RLHF工作，2024年离职创办TypeSafe。
- 07TypeSafe官方文档承认其“零幻觉”声明基于结构匹配的保证，而非语义正确率的实证证明，建议开发者从保守阈值开始测试。
- 08文章设想了RLCD模型在客服、安全事件处理、AI模型路由、Agent工具调用、发票审核等场景的应用，核心是给软件增加“智能的if判断”。
反方 / 局限
- — 开头的爆火截图是网友二创，带有夸张效果，Jev并不会真的读心，其输出依赖于输入信息和预设选项的完整性。
- — TypeSafe并未公开RLCD的完整训练论文、奖励设计和数据生成细节，其技术配方的真正价值尚需更多独立验证。
15 分钟 · 5 卡片 · 11 资料
读原文 →概念锚点
前置背景
平行视角
未来推演
延伸追问