TypeSafe AI 宣布完成 8.7 亿美元 A 轮融资，估值达到 75 亿美元。本轮由 Andreessen Horowitz (a16z) 领投，Sequoia Capital 及现有投资者 DCVC 跟投。a16z 普通合伙人 Martin Casado 加入董事会。
这笔融资距离 TypeSafe 推出旗舰模型 Jev 并完成 4000 万美元种子轮（估值 2 亿美元）仅过去 24 天。在不到一个月的时间里，公司估值飙升近 37 倍。
押注“决策层”：Jev 如何运作？
TypeSafe 的核心逻辑在于架构分工：代理式 AI 流水线需要独立、廉价且快速的模型来处理分类和路由，而非将所有微决策都交给昂贵的通用大语言模型（LLM）。TypeSafe 将此类模型定义为“决策层”，Jev 是该领域的首款产品。
Jev 于 2026 年 9 月 15 日开启早期访问，属于“System One 模型”——借鉴心理学家 Daniel Kahneman 的理论，旨在像人类快速直觉般处理定义明确的输入，而非进行开放式推理。该模型不生成自然语言，而是返回三种类型化、概率化的决策原语：
- Noul：是/否判断及概率得分；
- Choice：从开发者列表中选择一项；
- Score：由应用定义含义的数值评分。
每个响应均包含校准后的置信度概率。若 Jev 返回 0.8 的置信度，意味着在该类输入上其准确率约为 80%。这种校准允许下游代码根据置信度自动分支：高置信度直接执行，低置信度则触发检查或人工介入。
由于不涉及开放式文本生成，Jev 在结构上具有“抗幻觉”特性——它不会返回无效的 output 格式。但需注意，它仍可能返回错误的有效值。Earendil CTO Armin Ronacher 指出，这实际上是将部分验证责任委托给了用户，开发者需基于标记数据设置合适的置信度阈值。
Jev 上下文窗口为 32,000 token，接受 JSON 或纯字符串输入。定价为每百万输入 token 0.042 美元，输出 token 目前免费。这一非典型定价结构源于其输出极其紧凑：仅为单一令牌类和概率，而非长文本序列。
RLHF 联合创始人构建“机器原生”AI
TypeSafe CEO 兼联合创始人 Diogo Almeida 曾参与 InstructGPT、ChatGPT 和 GPT-4 的研发，并深耕基于人类反馈的强化学习（RLHF）。他指出，针对人类偏好优化的 LLM 并不适合自动化流水线，因为“计算机说着不同的语言”。
Almeida 认为，当 AI 在无人类参与的软件内部运行时，对话式的自然感毫无价值。TypeSafe 致力于构建“机器原生 AI”，让 AI 悄无声息地为系统供电。为此，公司完全使用合成数据，通过自定义的“用于校准决策的强化学习”（RLCD）方法训练 Jev。与奖励人类偏好的 RLHF 不同，RLCD 奖励与真实正确频率相匹配的概率估计。
TypeSafe 还从头构建了新的模型架构和令牌采样器，脱离了传统的 Transformer 微调路径。公司于 2024 年由 Almeida、CTO Erik Gafni 及 COO Sasha Sheng 共同创立，此前处于两年隐身状态。
采用数据驱动估值暴涨
TypeSafe 的极速融资并非仅靠技术推介，更依赖于 Jev 推出后的强劲采用数据。Jev 在 Vercel AI Gateway 上线 24 小时内，覆盖了该平台约 13% 的付费团队，创下该网关历史上最快的首日采用记录。这一比例是 OpenAI GPT-5.6 系列首日采用率的两倍，也是 Anthropic Fable 5.1 的六倍以上。
Vercel 工程师发现，用 Jev 替换原有的 LLM 安全分类器后，分类速度提升 5 至 18 倍，且精度相当。LangChain 也将 Jev 集成至 AutoMode 作为可选路由层。TypeSafe 声称，Jev 推出一周内日均处理约一万亿 token，并被约三分之一的财富 500 强公司采用（上述数据未经独立验证）。
独立开发者反馈显示收益相对温和。OpenChamber 对万余条推文分析发现，用户报告中位速度提升为 7 倍，成本节省约 30 倍，端到端延迟中位数为 76 毫秒。批评者指出，TypeSafe 将 Jev 与旨在完成不同任务的生成式 LLM 进行比较，存在基准测试不公的问题。
巨头迅速跟进，竞争加剧
Jev 的成功引发了巨头的快速反应。OpenAI 于 2026 年 9 月 29 日预览、10 月 6 日启动公共测试版的 Decisions API，由 GPT-6 Luna 支持，提供与 Jev 类似的输出类别。其定价为每百万输入 token 0.10 美元，约为 Jev 的 2.4 倍，但支持内联 base64 图像输入。
微软也在 10 月 9 日推出了基于 Qwen3.5-9B 的 Microsoft-Decision-1，定价与 Jev 持平。Snowflake 亦通过 Cortex AI Functions 提供了私有预览版的决策模型。行业普遍认同，随着企业从单模型聊天转向多步代理流水线，专用的低成本决策层已成为基础设施的必然组成部分。
资金用途与未来挑战
TypeSafe 计划利用本轮资金扩展 System One 模型系列，增加除 Jev 外的新模型，并构建未指定的“企业功能”以利于大规模部署。Almeida 透露，公司计划将 Jev 的能力扩展至图像、音频、视频及传感器数据，构建一个可靠、可组合的“概率编程”未来。
尽管 Jev v1.13 文档明确标注了在计数、算术及日期比较上的局限性，建议开发者将数学运算保留在应用代码中，但其市场地位已初步确立。面对拥有庞大资源且价格更具竞争力的 incumbents，TypeSafe 能否守住阵地，将是这笔 8.7 亿美元融资所要回答的核心问题。
常见问题解答
Jev 与 ChatGPT 有何本质区别？
Jev 是决策模型，而非对话式 AI。ChatGPT 等生成式模型用于起草文本、回答问题，而 Jev 仅返回类型化输出（是/否概率、选项选择或数值分数）。它专为自动化流水线中的分类、路由和评分任务设计，旨在消除生成文本带来的额外延迟和成本。
什么是 RLCD？为何取代 RLHF？
RLHF（基于人类反馈的强化学习）优化的是人类偏好的对话质量，而在无人类参与的自动化场景中，这种优化无关紧要。RLCD（用于校准决策的强化学习）则训练模型输出与真实准确率相匹配的概率估计。例如，当模型陈述 0.8 置信度时，其实际准确率应接近 80%。这使得下游系统能基于可信度进行自动化决策。
“模块化 AI 堆栈”意味着什么？
这意味着企业 AI 架构正在分离认知负载：廉价、快速的专用模型（如 Jev）处理高频、有界的分类和路由任务（System One）；昂贵的通用 LLM 则专注于复杂的推理和生成任务（System Two）。OpenAI、微软等巨头纷纷推出类似 API，印证了这一架构趋势已成为行业共识。
Jev 真的“无幻觉”吗？
需精确理解此概念。Jev 不会返回无效的格式（如错误的 JSON），从这个意义上说是“无格式幻觉”。但它仍可能返回错误的有效答案（如高置信度的错误分类）。因此，“无幻觉”应被视为一种受限的输出属性，而非事实准确性的绝对保证。开发者仍需通过置信度阈值和数据验证来管理风险。