Jev估值100亿美元！创始人Diogo Almeida回答一切 – 量子位
Quick Answer
TypeSafe AI's Jev model, valued at $10 billion, has gained immense popularity, achieving over 38.7 million views in six days and topping the JevBench v1.2.1 with a score of 75.3.
Quick Take
CEO Diogo Almeida emphasizes the importance of reliability over speed and cost in AI development, aiming for a 3% increase in total factor productivity within five years.
Key Points
- Jev model is designed for decision-making, not chatting.
- Daily processing exceeds 1 trillion tokens, indicating strong automation use.
- Almeida critiques AI's current inability to automate basic tasks despite advanced capabilities.
- Reliability is prioritized over speed and cost in AI product development.
- The aim is to integrate AI deeply into SaaS for transformative business solutions.
📖 Reader Mode
~10 min read< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-10-03 10:38:19 来源：量子位
文婷 发自 凹非寺
量子位 | 公众号QbitAI
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。
完整访谈：
https://www.youtube.com/watch?v=cFx9Z3ZXca0
版权所有，未经授权不得以任何形式转载及使用，违者必究。
— Originally published at qbitai.com
Want this in your inbox every morning?
Daily brief at your local 8am — bilingual EN/中文, free.
More from WebSearch (Tavily)
See more →全球AI芯片峰会，9月上海见！
The 2026 Global AI Chip Summit will take place in Shanghai on September 22-23, focusing on the evolving AI chip landscape, including the shift from training to inference, the rise of diverse chip technologies, and the restructuring of industry competition. Notable speakers include experts from leading universities and companies, discussing advancements in AI chip architecture and applications.