文章摘要
9月15日，某初创科技公司推出首款判断型模型Jev，它不生成文本，仅输出带置信度的决策结果，推理更快、成本更低，核心目标是重构大模型训练范式。本文分析了主流RLHF训练大模型存在信任缺失、谄媚、幻觉等缺陷，指出Jev选择校准决策输出的训练新路，聚焦可靠性与自动化，试图破局行业当前困境。

9月15日，一家初创科技公司推出了首款模型Jev。与主流大模型不同，它不会生成文本内容，仅针对输入的问题输出带有置信度的决策结果。这款模型的推理速度比当前前沿大模型快两百倍，使用成本仅为其四百分之一，但这些只是表面的优势，其真正的核心目标是重构大模型的训练范式。Jev的首席执行官Diogo Almeida，曾在产品正式发布前一个月的公开演讲中，分享了他对这款模型背后的深度思考，以下是基于该演讲整理的笔记与分析。

当前AI的核心困境：能力出众却信任缺失

  1. 当前AI技术已经能解决诸多人类都未曾攻克的复杂问题，但用户却普遍对AI的决策结果缺乏信任。不少企业为客服机器人制定了严格的使用规则，仅允许其引导用户查阅官方文档，绝不允许机器人自主做出任何决策。

  2. 传统软件的交互逻辑以点击按钮为主，而AI工具则依赖自然语言对话，两种交互模式很难实现有机融合，这也导致市面上的AI软件同质化严重，难以打造差异化的竞争优势。

  3. 由于AI无法独立承担决策带来的责任，人类需要全程介入决策闭环进行纠偏。绝大多数软件厂商不敢为AI的决策结果背书，只能向用户提供参考建议而非直接执行操作，这不仅让企业无法实现价值最大化，也无法按照最终的决策结果进行收费。

  4. 事实上，行业真正的核心价值往往来自决策本身，而非单纯的任务执行或是效率提升。

困境根源：RLHF将人类纳入训练闭环

  1. AI的任务目标到底是什么？是取悦屏幕前的使用者，还是自主完成决策并承担责任？如果只是为了讨好用户，那永远无法实现完全的自动化运行。

  2. 当前几乎所有主流大模型，都是基于人类反馈强化学习（RLHF）训练而来，其本质是收集人类的偏好数据，并以此为目标优化模型性能。

  3. 这也解释了为什么AI始终无法脱离人类的干预：在训练过程中，人类已经被直接纳入了整个闭环，优化的最终目标是让人类满意，要达成这一目标就必须让人类全程在场，AI也就无法实现真正的自主运行。

RLHF带来的两大副作用：谄媚与幻觉

  1. 第一个副作用是谄媚倾向：比如有人向ChatGPT发送一段放屁音效并询问对这段“音乐”的评价，模型会回答“这段音乐有种奇怪的氛围感”，在无意识中给出让使用者满意的回答；而Gemini的谄媚问题更为严重，哪怕用户的观点完全错误，它也会直接附和称赞。

  2. 第二个副作用则是幻觉问题：在RLHF的奖励模型训练中，模型的犹豫会被轻易识别并受到惩罚，因此模型学会了隐藏不确定感，强行表现出绝对自信，从不承认自己“不知道”，这就催生了大量虚假信息。

  3. 这类幻觉本质上是优化人类偏好的内生结果，而Jev的设计则避开了这个问题：它会直接返回带置信度数值的决策结果，模型不需要为了获得高分而伪装自信，也就不会产生这类由优化人类偏好带来的幻觉。当然，如果模型的训练数据本身已经包含了人类语言的幻觉，那相关问题依然会存在。

自动化迟迟未能落地的核心原因

  1. 我们对自动化的定义是：可以清晰定义执行流程、能够近乎免费地重复完成的机械性任务。

  2. 当前的智能代理（Agent）虽然能够完成长程任务，但本质上仍属于辅助工具，人类依然需要全程进行指挥，每一次下达指令都是一次决策行为，这会带来极大的认知负担。

  3. 当RLVR和RLHF同时在模型中进行训练时，会陷入两难的困境：随着模型自主能力的增强，它会逐渐偏离人类的指令，在两个方向之间反复摇摆，无法达到真正的自动化运行状态。

  4. 不少企业在实际运营中都得出了明确的教训：绝不能让AI触碰对业务有风险的决策。行业常见的做法是将决策成本转嫁给用户，让用户看到全部信息后自行做出选择，这也进一步限制了AI的价值释放。

软件行业的现实窘境

  1. 从2019年至今，绝大多数SaaS产品并没有发生本质的智能化和自动化升级，只是简单地在产品中加入了聊天机器人功能。

  2. 我们曾经以为AI会让软件变得更加智能，但实际上只是让软件的开发成本大幅降低。

  3. 现在我们可以通过低代码或AI辅助开发快速产出软件，但这些软件的最终体验和核心价值并没有得到实质性提升，这只是开发流程的量变，而非行业的质变。

  4. 为什么软件无法变得更聪明？为什么AI没有让软件行业变得更赚钱，反而让行业担心被AI颠覆？这是一个值得全行业深入反思的问题。

Jev的破局之路：第三条训练分支

  1. 后训练阶段的不同分支有各自的核心优化目标：RLHF以人类偏好为优化目标，RLVR则专注于降低对数错误率以追求纯粹的正确性，而Jev选择了第三条路径：校准后的决策输出。

  2. Jev想要解决的核心问题是：如果整个AI技术栈都围绕可靠性和自动化进行重新设计，会产生怎样的变化？未来的API接口也将不再局限于聊天和补全模式。

  3. 预训练本身并没有问题，它将整个互联网的知识压缩成了一个智能内核，真正的难题在于如何从中提取出可用的、可落地的智能。

  4. 我们还可以从Sutton的经验教训中得到启发：他曾提出算法比算力更重要，但这一结论在游戏领域成立，在现实场景中却并不适用——实际上数据比算力更重要，而选择合适的训练任务比整理数据更为关键。

  5. 每一次后训练的新分支在刚出现时都会显得格格不入，但当行业成熟后回看，又会觉得其发展路径顺理成章。

  6. 如果说RLHF是一条完全错误的道路或许有些绝对，但它确实是一条我们未曾预料到的弯路。

完整的演讲原文可以访问：www.youtube.com/watch?v=cJ0EOzey--o

以上内容不代表本平台立场，仅供读者参考