Lothard

AI × Robotics × Product.
INTP · tank main at heart.

[Lothard @LothardPaladin]

@huangyun_122 intj的媳妇已经熟练使用codex了

[Lothard @LothardPaladin]

And shame on them.

In 2026, getting the model you actually paid for should be the bare minimum, not a luxury some industry giants make you hope for.

[Lothard @LothardPaladin]

Stability is a dealbreaker.

Charging frontier-model quota for weaker output is basically deceiving the customer.

Few industries could get away with this. AI can, for now.

Long term, I’m betting on the companies that treat model consistency as part of the product contract.

[Kun Chen @kunchenguid]

day 1 observations for grok 4.7

ignore the reports that say “it’s terrible” and the only thing they reference is a public benchmark. the same benchmarks told us opus 5 was better that fable - they are useless

also ignore the reports that compare models with 3d games - that’s not real work. it's made for attention on social media

i used grok 4.7 for a whole day as my firstmate, and it has been a really solid model with visible improvements over 4.5 (i'm ignoring 4.6 because 4.5 has been working better in my experience)

key differences with 4.7 -

1. it follows system prompt very, very closely

i noticed firstmate showing many new behaviors that i've never seen before, such as asking me to name specific red CI checks that i'm ok with bypassing, and refuse a simple "yolo" instruction

i traced it and it's indeed how i instructed it in firstmate's system prompt, but none of the other models followed it closely enough to make this behavior visible - grok 4.7 is the first to pick that up

there were a few other similar examples as well. so to me this is a clear behavioral difference

2. it's very "stable"

if you've used astra then you know what a "spiky" model is. it can have some genius moments but you occasionally also wonder "how could it be so dumb and doesn't get me". grok 4.7 is the opposite of that

throughout the whole day so far, i'll be honest i haven't get a "wow this is absolutely genius" moment yet, but grok 4.7 has been very steady with no big surprises. its behavior feels predictable, which does help it gain trust from me quickly

3. it's a conservative model

it doesn't like to take actions without asking, and would explicitly say so

this is a bit of a double edged sword, because it means i sometimes have to state the obvious "yes i do want that", but in hindsight a lot of those cases are indeed a bit ambiguous and i may not have preferred the model to just move forward without my confirmation

4. it's a bit slower and costs more than 4.5, visibly

turns are taking a bit longer and my quota is draining at a visibly faster pace. i haven't quantified exactly where this is coming from yet

so overall, i think it's showing some clearly different traits, and i mostly like the changes. i'm going to keep it as my primary firstmate and observe more

if you've been using it, what qualitative insights have you gathered from real usage so far?

[SpaceXAI @SpaceXAI]

Grok 4.7 is here.

It's a notable improvement over Grok 4.6 at the same price and speed.

[Mark Jaquith @markjaquith]

This is my new shortest “what is Jev” explanation

[Elon Musk @elonmusk]

This is the future we shall bring into being

[Lothard @LothardPaladin]

面对新技术，
如果大部分都是下意识觉得"这不就是新瓶装旧酒吗，早就有过类似的东西了"。
可以想想是不是自己变成老登了。

[Lothard @LothardPaladin]

@stash_pomichter @dimensionalos curious which layer jev actually owns decision gates

[Anto Patrex @antopatrex1]

We ran @typesafeai 's JEV eval model on humanoid-robot teleop data from our deployment sites.

99% label consistency. 91% annotation completeness. Sub-action segmentation. Frame-accurate timing.

Robot data sells by the hour. Hours don't tell you if it's trainable.

[Lothard @LothardPaladin]

@KinGao476942 @MaiYangAI @wangyafang6 @bot 等个上海场

[Lothard @LothardPaladin]

@Michaelzsguo emmmm……这种事没人监管的吗

[Lothard @LothardPaladin]

@arkuy99 奇妙，web跑是iphone17，grok里的codex是iphone16
grok被针对了？

[Lothard @LothardPaladin]

@KinGao476942 @bot 在干同样的事，批量跑对象的集锦

[Lothard @LothardPaladin]

@mylifcc 所有的ultra都降了还是只是grokheavy的降了

[Isaac Tai 🧇 @hi_im_isaac_]

"jev can't generate text"

But jev has a lot to say!

I gave him a couple hundred common english words to choose from + punctuation

[Tao Wang @Tao100086]

天才程序员下线，我只好过来测试这两天在X上变火的Jev。

有兴趣的可以去 https://t.co/6CPqBGoJWA / https://t.co/FgQLZlVqUS 登录（早期还在放人，可能要等 waitlist）

Jev，是 TypeSafe AI 刚放出来的一类新模型，官方叫 System One Model。创始人是前 OpenAI 研究员、ChatGPT 相关工作贡献者 Diogo Almeida。

这个模型不是聊天模型，也不写文章。

普通 LLM：一段文字进，一段文字出，再让你解析、校验、防幻觉。

Jev：给你一段 state（非结构化文本 / JSON / 程序状态）+ 一组 事先定义好类型的问题，一次并行返回：
Choice：从你给的选项里选一个
Score：按你定义的量表打分
Noul（布尔）：是/否的概率

每个答案都带 校准过的概率 / confidence，代码可以直接 if，不用再 parse JSON。架构上保证不会返回 schema 以外的值，所以他们说“类型错误和幻觉在类型层面不可能”。

类比 Kahneman 的快思考（System 1）：不做长篇推理叙事，只做软件能立刻消费的判断。

适合的场景：
大规模召回 / 候选排序 / 相关性打分
推荐系统里的路由、过滤、urgency、是否要人审
实时交易里每几百毫秒一次的买/卖/是否下单
Agent 循环里选下一个工具、要不要重试、要不要升级给人
对 LLM 输出做 guardrail / 核验

已经有人拿它每 ~300ms 在链上订单簿做买卖决策，也有人用它玩 Doom（把游戏状态当文本喂进去）。

其他的用法，我还在测试，回头测完再聊。

[Elon Musk @elonmusk]

I love you

[nikhil mudholkar @nikhilmudholkar]

Jev lost to Gemini on our email classification benchmark.

I’m still interested in putting it into production.

We tested 1,565 German and English business emails across 10 categories from Industrial suppliers.

The interesting result wasn’t accuracy. It was where the mistakes happened. 🧵

[梭哈.AI @SUOHA_AI]

连 JEV 的联合创始人 @CompleteSkeptic 都亲自下场转发点赞：这是 JEV 正确的打开方式！

大家在 Claude Code 里写长代码，最恶心的就是上下文一满，系统就卡住 10 秒去写总结小作文

开发者 @tamarajtran 刚刚开源了这个插件：利用 JEV 的打分能力，几十毫秒内精准识别并清空所有没用的终端垃圾与冗余日志

Github：https://t.co/tINjxy35Em

它的作用是：
• 彻底治好 Agent 失忆症：几千行终端废话和文件内容让 JEV 毫秒级打分，没用的直接扔，核心代码与状态 100% 原样保留

• 彻底消灭卡顿与账单：几十毫秒无感完成瘦身，不花一分钱废话 Token

@typesafeai 的联合创始人 Diogo Almeida 也公��实名认可：这就是编码 Agent 绕过传统 KV 缓存的最佳解法🧐

[Lothard @LothardPaladin]

Jev在具身的应用上也有一定想象空间

[宝玉 @dotey]

ChatGPT 联合发明人创办的 TypeSafe AI 正式发布了一种全新类别的 AI 模型："System One 模型"，以及该类别下的���一个模型 Jev。和现有的大语言模型不同，Jev 完全放弃了文本生成能力，专门为软件内部的快速决策而设计：输入非结构化数据，输出带有校准概率的类型安全结构化结果。

简单说：Jev 不会写文章、不会聊天，但能以极低的成本和延迟，在代码里充��一个"智能判断函数"：分类、打分、路由、提取，这些原本用规则引擎硬写但又写不好的事情，现在可以交给它。

创始人 Diogo Almeida 曾在 OpenAI 参与 InstructGPT 和 RLHF 的核心研发，是 ChatGPT 和 GPT-4 论文的共同作者。他在博客中描述：RLHF 让模型学会了取悦人类，却也让它们在自动化场景里不够可靠。于是他离开 OpenAI，潜行两年，用一套叫做 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）的新训练方法从头构建了 Jev。

几个关键数字值得注意：

响应速度 70 到 500 毫秒，比主流前沿大模型的 3 到 329 秒快了一到两个数量级。输入 Token 价格 0.042 美元/百万 Token（约 42 美元处理十亿 Token），输出 Token 免费。官方自称比同等智能水平的大模型快 20 到 200 倍，便宜 40 到 400 倍。

这些数字的来源是 TypeSafe 自研的"工作流评测"（Workflow Evals），用 GPT-6 Astra 和 Anthropic 的 Fable 5.1 的平均结果作为参考答案。他们也承认，这种评测方式本身偏向 OpenAI 和 Anthropic 的模型，Jev 的实际相对表现可能被低估，但极端加速倍数（如 193 倍、444 倍）属于最优情况，不代表所有场景。

速度为什么能这么快？因为架构上根本不同。大模型逐个生成 Token，前一个 Token 出来后才能算下一个。Jev 采用并行采样，所有输出一次算完。这和当年 Transformer 取代 RNN 是同一个思路：用并行取代串行。

代价也很明确：Jev 不能生成文本。它输出的是事先定义好结构的决策结果，每个回答都附带置信度分数。官方宣称类型错误率从数学上等于零（因为输出结构在架构层面就被约束了），幻觉问题也因此不存在。

对开发者来说，Jev 的定位不替代 ChatGPT 或 Claude 这类对话模型，主要是为了补上它们不擅长的那一环：当你需要在代码流程中嵌入一个 AI 判断节点，要求毫秒级响应、结构化输出、不能出格的时候，用大模型做这件事成本高、速度慢、还可能生成不可预期的内容。Jev 就是为这个场景设计的。TypeSafe 把这类任务叫做"智能 if 语句"，也就是用 AI 做原本 if-else 写不好的模糊判断。

他们还做了两个有趣的演示：一个是用 Jev 实时操控经典游戏 DOOM 的 AI 机器人，每秒调用约 10 次，成本大约每小时 7 美元；另一个是 Wikipedia 竞速（从一个词���通过链接跳转到另一个指定词条），需要在成百上千个链接中做选择，Jev 在步数和速度上都领先于大模型的非推理模式。

"System One"这个名字来自 Daniel Kahneman 的《思考，快与慢》中的"系统一"——快速、直觉、自动化的思维方式。"Jev"则取自经济学中的杰文斯悖论（Jevons Paradox）：当某种资源的使用效率大幅提高时，总需求反而会增长。TypeSafe 显然在押注：把 AI 决策的成本降到足够低，用量会爆发式增长。

从博客和文档里提到的信息来看，Jev 的应用场景集中在一个核心逻辑上：凡是你在代码里需要一个"聪明的判断"，但又不需要它写一段话给人看的地方，都是它的地盘。

具体来说有几类：

第一类是流程中的智能分支。比如客服系统里判断一张工单应该转给���个团队、紧急程度多高、用户情绪如何——这些原本要么靠关键词规则（太死板），要么靠大模型（太慢太贵）。Jev 可以在几十毫秒内给出带置信度的判断，而且输出格式固定，代码直接用。

第二类是大规模数据处理。比如对海量文档做分类、打标签、提取结构化字段。大模型做这件事单条成本还行，但量一上去就很贵，而且速度是瓶颈。Jev 42 美元处理十亿 Token，输出还免费，适合需要跑几百万甚至上亿条数据的场景。

第三类是实时应用。100 毫秒级别的响应意味着可以用在用户体感得到延迟的地方——实时推荐、动态定价、游戏 AI、交互式产品里的智能判断。博客里那个 DOOM 演示就是这个意思：每秒调用 10 次，大模型根本做不到。

第四类比较有意思——给大模型当"质检员"。用 Jev 来检查大模型的输出是否安全、是否符合格式、有没有越狱，做 guardrail（安全护栏）。因为 Jev 本身不会幻觉、响应���快，很适合在大模型输出之后加一层校验。

总结一下就是：Jev 不是给终端用户用的产品，是给开发者在系统架构里嵌入的组件。它解决的问题是"我需要 AI 的判断力，但不需要它的表达力"。

Jev 目前以早期访问形式开放，开发者可以在 https://t.co/9XED0JF76D 加入候补名单。