Jev估值达100亿美元，日处理量破万亿token
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载不聊天只做决定的模型
TypeSafe AI 联合创始人兼 CEO Diogo Almeida 对自家 Jev 模型的定位很明确：它不承担对话功能，输出的是决策结果。这种取舍让 Jev 的评估方式与常见聊天模型分道扬镳。Jev 发布后的一段视频在六天内累积了 3870 万次浏览，热度并未停留在演示层面。在 JevBench v1.2.1 的综合榜单上，Jev 1.13.0 以 75.3 分位列第一。Diogo Almeida 对这类公开榜单的态度并不乐观，他认为公开 benchmark 很容易被针对性操纵，分数高低未必对应真实能力，因此更主张把模型放进实际工作流里去检验，而不是只看一个静态分数。对使用方来说，这意味着选型时参考的坐标系需要从榜单排名转向任务链路中的表现。
万亿token与夜间流量
支撑这种评估思路的是一组运行数据。Diogo Almeida 提到，平台日处理量已经突破一万亿 token。更值得注意的是流量的时间分布：夜间调用量持续走高。这一特征指向调用来源以机器自动化为主，而非人类在白天集中使用。与之对应，他对注册量的看法相当克制，认为注册数字对开发者平台的参考价值有限，因为其中一部分注册者并非开发者，跑几条查询之后就离开了。在他看来，真正体现价值的是重度开发者形成的循环批量调用，这类使用模式带来的负载更稳定，也更接近生产环境。这也解释了为什么他把调用速率限制视为真正棘手的问题——当请求来自自动化流程而非零散的人工操作时，限流策略直接决定平台能否承接住负载。
不碰预训练的成本账
在技术路线上，Diogo Almeida 给出了一个清晰的边界：不会投入十亿美元从零开始预训练大模型。理由直白——预训练实在太烧钱。这一判断把 TypeSafe AI 的资源集中到了别处，也与其对 Jev 的定位相互呼应：不做通用对话，而是聚焦决策输出，从而避开最昂贵的训练环节。他同时给出了一个时间跨度较长的目标，即在五年内拉动 TFP 增长 3%。对于关注这家公司的读者，这些信息勾勒出的是一家在成本约束下选择差异化路径的团队：不参与基础模型的军备竞赛，而是把力气放在工作流中的实际调用效果上。Diogo Almeida 还提到，当前的 AI 编码领域仍然是围绕单一模型展开的竞争，这构成了 Jev 所处的外部环境。
为什么值得看
日处理万亿token印证了AI在自动化工作流中的真实吞吐量，其对可靠性与TFP增长的强调为行业提供务实视角。
信源1 家
关键事实
相关 · 行业
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。