决策模型Jev发布之后，海外大厂跟进迅速。

OpenAI在2周之内就发布了Decisions API，紧接着AWS发布了Strands Decider 2B，此后微软发布Microsoft-Decision-1。

而国产模型大厂中，只有阿里云上架了 decision-model-preview，尚处于限时免费阶段。

单看这个对比，结论是国产模型又慢了一步。但爱分析认为， 国产模型大厂暂时不选择跟进是理性的决策。

01 Jev创新了什么？

首先，来看下 Jev代表的决策模型是什么。

比如，一条客户投诉工单进来，需要判断三件事。工单该转给哪个部门？工单紧急度如何？客户要不要退款？专门做这三次微小判断的模型，就是决策模型。这三个判断，共享一个输入的上下文，且只需要输出明确的判定结果，无需完整的推理过程和自然语言形式的回答。

由于判断的输出特点，导致用目前的大语言模型作答，会存在以下三个问题。

第一是，输出速度慢。 大语言 模型输出时的答案必须一个 token一个token往外吐，每个token依赖前一个，这导致输出速度缓慢。

第二是，决策成本高。 大语言 模型每次输出都生成一段带解释的文本，但实际决策结果并不需要这些解释文本，导致决策过程中产生很多冗余成本。特别是 大语言 模型生成每个 token，都需要重新调用一次上下文，所以输出价格普遍比输入价格贵很多，这进一步推高了决策成本。

第三是，决策结果不可靠。 从大语言 模型 输出的文本转换到决策所需要的判定结果过程中，可能发生结构违规，也就是格式跑偏。根据公开实测，在 无约束的情况下，大参数模型发生违规的概率约 6%、小参数模型18%。

在 Agent执行长程任务过程中，这种微小的判断，可能要发生成百上千次。上述三个问题，经过成百上千次放大，会在速度、成本、结果三个层面都发生重大偏差。

因此，专门有一类模型为解决这些问题而生。以 Jev为例，输入侧模型接收一段上下文和一组问题，每个问题带若干固定选项，输出侧模型只需一次计算，对每个问题返回落在选项上的概率分布和置信度，不返回任何文字。

图 1：Jev模型流程

实测中， Jev大幅提升了性能表现，官方口径比大语言模型速度快了193.6x，成本低了444.6x，而且从架构层面杜绝了结构违规的问题。

业界将这类模型，定义为类型化决策模型（ Typed Decision Model，以下简称 TDM）。TDM并非Jev创造的新模型品类，其历史可以追溯至早年的Bert分类器。

基于爱分析与行业专家交流， Jev的技术创新不算复杂，但通过工程化，在速度与成本层面做到了很好。在海外模型大厂追求AGI、追求能力突破的叙事中，Jev不争能力曲线、争成本曲线的做法属于异类。

02 海外厂商跟进动作很快

由于技术复杂度不高，跟进成本低，海外厂商跟进动作也很快。

开篇提及的微软、 AWS以及Cloudflare，都基于Qwen的小尺寸模型进行了后训练，在1个月的时间内先后推出自家的TDM。也有部分海外小厂，基于上一代Bert模型构造了新的TDM。

图 2：海外厂商TDM一览表

OpenAI 则完全没有做后训练，直接在小模型Luna上新增了Decisions接口，对于输出进行了约束，并针对结果返回的速度做了专门优化。OpenAI官方披露的响应速度是150毫秒，与Jev官方的114毫秒接近。

价格层面， OpenAI的定价是每百万Token输入0.1美元，输出不计费。虽然比Jev的0.042美元略高， 但 OpenAI额外支持图像输入，比Jev的纯文本输入支持模态更多。

海外厂商跟进 TDM的动机，可以归为两类。

图 3：厂商跟进TDM动机

第一种动机，是内部有大量决策场景需要使用 TDM，在广告、风控等诸多场景已有大量需求与实践。

比如， Cloudflare是做CDN出身的公司，在边缘侧有大量调度、安全、内容审核等决策场景，TDM是内部使用的刚需。在过往业务中，Cloudflare也积累了大量历史决策数据。因此，Cloudflare在后训练过程中，先是使用了自身积累的真实数据，其后才使用合成数据。而Jev并没有历史场景中的决策数据积累，完全是使用合成数据进行的后训练。

第二种动机，是对外销售模型 API，货架丰富度越高越好。 为此， OpenAI等均是第一时间就在货架上补充了TDM品类。

03 国产模型跟进情况

国产模型大厂中，唯一下场的只有阿里，腾讯、字节等都没有基于内部场景使用或者丰富模型货架的动机跟进 TDM。其他跟进的，都并非头部厂商。 图 4：国内厂商TDM一览表

爱分析认为，国产模型大厂选择暂时不跟进并非判断失误，而是正确的抉择。

首先， TDM 撑不起一个独立品类叙事。 基于前文讨论，可以看到 TDM的技术架构复杂度并不高，因此TDM所处的层级与 embedding、reranker等模型类似，而非 与世界模型、 AI4S模型等处于同一层级。

其次， TDM不体现模型的能力上限，和AGI叙事无关。 模型 主流叙事依然在追求能力上限的突破，而非单点功能上的速度与成本。 TDM在能力突破上，并没有变化。独立复现显示，TDM与前沿模型在同一任务上的准确率是67.8% vs. 67.9%，差异可忽略不计。

第三，国内大厂已有的决策模型够用，换新没有增量。 腾讯、字节等大厂内部场景中，广告、风控、网关路由等场景非常多，已经构造出表现优异的决策系统，也就是不止一个 TDM，而是多个TDM串联，保证决策误判率在1‰甚至更低。因此，这些大厂换新动力不强。

基于上述原因，国产模型对于跟进 TDM没有很强意愿，也就容易理解了。

但是，如果 TDM只是很小的模型品类，Jev背后的TypeSafe为何A轮投后估值达到75亿美元？

根据创始人 Diogo Almeida的公开发言，TypeSafe计划打造一套for机器、软件、Agent的模型家族，让软件直接可以消费模型输出，而不是让人去读。也就是说， TypeSafe的愿景是构建一套与OpenAI、Anthropic平行的机器原生模型。

Jev把模型输出从自然语言换成类型化决策，但Jev仅仅是模型家族的第一环而已，上面还有很多层模型要构建。Almeida甚至并不接受决策模型或者TDM这个分类。他的说法是，机器原生模型里未来还会有不解决决策问题的类型。

TypeSafe真正要做的事比TDM大得多。TypeSafe 的官方表述是让智能可组合，让软件直接消费模型输出，而不是让人去读。公司那份 manifesto 标题就叫《造产品，不是造神》。被问是否要做前沿实验室时，Almeida 的回答是，前沿实验室的主要产品是恐惧和炒作，他希望 TypeSafe 的产品是智能。

从这个角度来看，模型大厂并不知道 Jev之后是什么，在一个终点还没被描述的赛道，跟进者不知道该跟到什么位置，也就很难下注。

因此，模型大厂并不是不想跟进，只是还看不清楚、尚未下手。