9月16日, 一家由Diogo这一创立的AI公司正式完结束隐身状态, 推出名为Jev这类的“系统一”模型, 引发行业的热论。

Jev和传统大语言模型有区别, 它不生成自然语言文本, 直接返回结构化决策内容, 仅为大模型百分之四十到四百分之一的成本, 延迟降低二十倍。

这种颠覆性设计瞄准的, 是高频重复的决策场景, 而非通用对话, 彻底改变了对AI应用形态的认知。

公司背景与融资进展

迪戈曾参与强化学习从人类反馈中生成内容的研究, 是相关技术发展的幕后无名贡献者之一, 其创办的公司成立于两年前。

本周, 该公司竟宣布完成DCVC所领投这一轮整整四千万元的种子轮融资, 按此刻市面汇率折算, 约折合二点六玖亿元人民币。

融资完成后, 公司从隐身状态转为以外部可见的公开状态进行运作, 集中力量投入围绕高性能且具备低成本特性该类决策模型的市场领域中。

此刻的研发团队正飞速地迭代着名为Jev的AI模型, 打算在更多子领域当中对它的结构化决策性能加以全方位地检验核验。

系统一模型概念解析

Jev被定义为“系统一”模型, 借用心理学概念, 指代快速、依靠直觉的判断机制。

它专为固定选项连续评分或分类概率的重复任务设计, 不处理多轮对话或代码生成。

它让这种定位不同于追求通用能力的”系统二” 模型, 还更偏向即时响应以及确定性输出。

在底层逻辑上, Jev将决策视为从有限集合中选择, 而非从有限集合内选择从有限集合中选择。

核心技术与训练方式

Jev采取“校准决策强化学习”开展训练, 想要令模型置信度与实际正确率严丝合缝般对应统一。

当模型给出70%置信度之际, 与理论上70%相关的预测本来应当是正确的, 这个论断便于风险控制。

这类机制非常适用于审核分流、风险评分等等需要较高可信度输出应用的各种相关场景。

通过强化学习完成优化校准的Jev, 在结构化任务上的表现稳定性以及其可解释性, 要优于传统的常见方法。

性能数据与成本优势

基准测显示, Jev比前沿大语言模, 在同类任务至20, 成低至40至400上分。

准确的具体数据表明, 速度最高能提升的版本倍数是1九3型.6的倍频量级, 成本最高能降低的对应倍数则是444款.6的倍数, 此官方现已正式承认该性能属其官方性能上限的范畴以内。

按每百万个输入美元定价零点零四二, 约等于贰角捌分人民币入账的情况下, 自回归全程未生成相关数据, 所有的输出词元已被全部实行免费提供政策。

在维基百科链接导航测试中Jev超越了众多以高速非推理模式运行前沿模型中的多个。

实际应用案例展示

为展示实时决策能力, 公司发布了一段Jev玩《毁灭战士》的视频, 调用频率达每秒10次。

在这款游戏内, 每小时游戏过程中Jev消耗的对应美元价格约为七美元左右, 折合相应的人民币数额约合四十七点一元现金, 彰显了这款具备特色游戏极高优渥的性价比内容。

这类高频调用场景印证了Jev在低延迟、高吞吐环境之下的稳定性, 适配游戏AI或实时交互。

不远的将来, Jev有望拓展用于金融交易还有工业控制等对速度和成本极其敏感的领域。

你觉得Jev这种不生成文本AI模型, 会取代现有大语言模型成为主流吗? 欢迎在评论区留言讨论, 点赞分享让更多人关注！