AI 圈刚刚上演了一场火药味拉满的“寻根惨案”。
2026 年 9 月中旬，参与创造 ChatGPT、一手奠定 RLHF（人类反馈强化学习）基石的前 OpenAI 顶尖科学家 Diogo Almeida 携 4000 万美元巨额融资强势出山。
他向整个科技界抛出了一枚震撼弹：发布全新前沿模型 Jev。
Almeida 的宣言极具颠覆性，直言单纯让模型聊天无法通向 AGI，甚至会拖累自动化进程。
▲ Diogo Almeida 在 X 上宣布耗时两年打造的全新模型 Jev
这台名为 Jev 的全新机器不聊天、不写小作文、也不再逐字吐文本。
它专门负责在几十毫秒内做出精准决策，速度飙升 20 到 200 倍，成本暴跌 40 到 400 倍，输出 token 甚至永久免费！
发布不到几小时，半个硅谷的顶级投资人、技术大牛和科技网红蜂拥而至，纷纷在评论区顶礼膜拜。
然而，狂欢还没持续两天，一记响亮的耳光在 Reddit 上凌空抽来。
一位名叫 Nandakishor 的独立开源开发者直接贴出论文和开源链接，当头泼下一盆冰水：
“你们惊呼的所谓颠覆性架构，我一年前就把论文、训练数据、开源权重和 Python 包全都免费扔在 GitHub 和 Hugging Face 上了。”
▲ 中文圈科技博主转述 Reddit 上的原创争议长帖
抛弃大语言模型！所谓“System 1”到底是个啥？
要看懂这场冲突，首先得搞清楚：为什么顶尖科学家会宣称“别再让 AI 聊天了”？
过去三年，全世界所有的 Agent 和企业级应用，几乎都被绑架在大语言模型（LLM）的自回归机制上。
什么是自回归？
简单说就是“单字吐泡泡”
AI 每输出一个字，都要根据前面所有字重新算一遍概率。
你要它判断一笔交易是否存在欺诈风险，它必须先在脑子里一个词一个词地组织语言：“根据以上信息，该交易的风险评级为……”
▲ 业内对 Jev 架构的解读：AI 迈入新阶段的关键在于彻底摆脱逐字生成
为了把这种满嘴跑火车的“文科生”塞进严密的工业软件里，程序员们被折磨得痛不欲生：
- 必须写冗长的 Prompt 威逼利诱它“只能输出 JSON，千万别加废话”；
- 哪怕只为了得到一个“是”或“否”，都要等上三五秒，消耗几千个昂贵的 token，还时不时遭遇格式报错。
Jev 提出的逻辑是：彻底砍掉自然语言生成。
它借鉴了诺贝尔奖得主丹尼尔·卡尼曼《思考，快与慢》里的概念：
- System 2（慢思考）：像 ChatGPT 一样，适合写论文、搞逻辑推理，慢条斯理，深思熟虑。
- System 1（快思考）：像人类在生死关头的直觉反射，看一眼路况，0.1 秒内决定踩刹车还是打方向盘。
Jev 就是典型的 System 1 模型。
它输入一段复杂的业务上下文后无需吐字，直接调用内部三个基本原语：
- Choice
- Score
- Noul
所有判断并行运算，70 到 500 毫秒内出结果。
因为输出空间在底层就被限制死了，它在物理层面上就绝对不会出现格式错误。
整个业界都在感叹：大模型负责规划全局，System 1 模型负责在毫秒级执行分支判断。
AI 自动化的拼图，终于齐了！
孤勇者的控诉：“我流血流汗做出来的东西，成了别人的神作”
然而，正是这套让硅谷高呼神作的逻辑，让千里之外的 Nandakishor 彻夜难眠。
2025 年 3 月 30 日，Nandakishor 在 arXiv 上提交了一篇名为 SalesRLAgent 的论文（arXiv:2503.23303）。
▲ Nandakishor 早在 2025 年 3 月上线的 SalesRLAgent 论文
他的研究切入点极其精准：在真实的销售场景中，让 LLM 去长篇大论分析对话毫无意义，销售员的核心痛点在于实时掌握当前对话的转化概率，看清下一步该出什么牌。
他的做法与今天的 Jev 几乎如出一辙：
- 用强化学习（PPO 算法）直接训练一个只输出连续概率与策略决策的模型；
- 推理时间直接干到 85 毫秒，相比 GPT-4 的 3450 毫秒提速整整 40 倍。
不仅发了论文，他还在 Hugging Face 上以 MIT 协议开源了全部模型权重（DeepMostInnovations/sales-conversion-model-reinf-learning），甚至封装好了 Python 安装包。
▲ SalesRLAgent 在 Hugging Face 上的开源仓库
半年后的 2025 年 9 月，他又发表了第二篇论文（arXiv:2510.01237），进一步把这种“非生成式概率决策”拓展到大模型的置信度路由和幻觉拦截上。
当看到 TypeSafe 拿着几乎一模一样的底层理念，“用强化学习替代文本生成，直接输出校准决策与置信度”，并冠以“前沿实验室首创突破”登上科技头条时，Nandakishor 写下了一段极其心酸的话：
“最让人沮丧的是：你花了几个月的心血，流了无数汗，熬了无数个夜，做出来一个架构高度相似的东西，并且全部开源，却没有得到应有的支持。只因为一家名声显赫的前沿实验室后来把同样的思路做成了横向产品。这大概就是开源世界的故事吧。”
盗火者还是自作多情？两种残酷现实的碰撞
这条维权帖迅速在中文圈和全球技术社区撕开了一道大口子。
评论区迅速分化成了两个阵营
同情开源作者的人愤怒地指出：这是科技巨头对草根开源者的又一次降维掠夺。
垂直领域的先驱探明了雷区、验证了可行性，最后却连个引用都没捞到，所有聚光灯和资本全被名校名企光环收割。
▲ 网友感叹垂直开源若无生态很容易成为他人嫁衣
但另一批硬核开发者却给出了极其冷酷的技术剖析：“有没有可能是他自以为是了？
做垂直容易，跨进通用领域才是难以逾越的天堑。”
▲ 网友犀利指出通用化才是核心难点
一位资深工程师点出了两者的本质鸿沟：
- SalesRLAgent 是垂直应用：在销售这一亩三分地里，状态空间是收敛的，用特定数据集调一个 PPO 模型做打分，很多高级算法工程师都能做出来；
- Jev 是横向底座：要面对全世界千奇百怪的输入文本、复杂的逻辑关系，在没有任何预设场景的情况下，把置信度精准校准到统计学可用，这需要极其恐怖的数据工程、全新的 RLCD 训练管线和数以千万美元计的算力。
这就像有人用火药做了一支窜天猴，而另一个人造出了登月火箭。
两者都用了反作用力原理，但工程上的鸿沟何止万重？
▲ 网友用爱迪生普及电灯的案例类比两者的生态位差异
技术史上从来不缺类似的回声：
- 纽科门早就造出了蒸汽机，最终定义工业革命的却是改良并通用化的瓦特；
- 斯旺早在爱迪生之前就点亮了白炽灯，最终让电灯走进千家万户的则是搭建了整个供电系统的爱迪生。
在商业与开源的竞技场上，先想到往往不值钱，把它抽象成通用标准并建立生态的人，才拥有历史的冠名权。
硬核反击：拒绝认命，直接掀翻桌子！
如果故事到这里结束，那不过又是一出“独立开发者被资本大厂碾碎”的陈词滥调。
但 Nandakishor 显然没打算认命。
在发帖宣泄完情绪后，他做出了一个让全网肃然起敬的决定：既然你说我的东西只是垂直小玩具，那我就做一套横向通用的给全世界看！
短短几天后，他正式上线了开源横向决策模型家族 Laya，直接把战场推向了最前线。
▲ Nandakishor 创办的 Laya 官网，直接公开横向开源模型
Laya 全面兼容 choice / score / noul 三大原语，本地推理延迟直接压到了恐怖的 33 毫秒，不仅性能完全对标 Jev，甚至直接扒掉了闭源商业模型的底裤。
Nandakishor 在 Laya 的技术报告中揭露了一个致命问题：所谓的“高置信度”存在严重的伪自信！
经过实测，现有的决策模型在处理非拉丁语系（如高棉文、亚美尼亚文）时，任务准确率已经暴跌到接近抛硬币的随机概率，但模型给出的置信度居然依然高达 0.88 以上！
也就是说，它明明在瞎蒙，却极其自信地告诉你“我绝对正确”。
Laya 由此推出了多语言脚本路由方案，直接在开源社区引发了技术大讨论。
与此同时，全球开源社区的极客们也开始了狂欢式解构。
GitHub 上瞬间涌现出 LLM2Jev 等一系列开源复现项目，有人甚至用本地运行的轻量级 Qwen 结合 llama.cpp，只花了极其简单的逻辑就模拟出了 Jev 的全部接口功能，且在测试集上打得有来有回。
原本被包装得神乎其神、估值数亿美元的“System 1 革命”，在开源社区几十位极客的围剿下，几天之内就完成了技术去魅。
尾声
这场由 Jev 掀起波澜、SalesRLAgent 溯源、Laya 反击的科技大戏，给整个喧嚣的 AI 时代留下了深刻的启示：
第一，AI 范式正在发生深刻裂变
过去人们习惯于让 AI 模仿人类对话，可生产系统渴望的是冷酷精准的“扳机”，而非喋喋不休的聊天窗口。
未来的架构必然分工明确：通用大模型在后台专注深度规划思考，无数快如闪电的决策模型在前端每秒执行成千上万次分支。
摆脱生成束缚，才能迎来质的效率飞跃。
第二，开源从来充满残酷的生态博弈，绝非温情脉脉的做慈善。
光有开源的理想主义和先发论文，远远阻挡不了手握巨额资金的商业巨轮。
但开源世界最迷人之处在于：没人能彻底垄断一个好点子。
当大厂试图用高墙和 API 圈禁未来时，那些熬着夜、喝着冷咖啡的开源黑客们，总会在某个清晨，把同样强大的工具免费塞进每一个开发者的手中。
