TypeSafeAI决策模型Jev爆红：24天估值从2亿到75亿

9月中旬，初创公司TypeSafeAI推出了一款名为Jev的模型。它既不写文章也不聊天，连一句完整的话都不输出，只干一件事：把输入放进预设选项里，给出是/否、评分或概率。就是这么个“不会说话”的模型，上线几周用户就过了百万，财富500强里约三分之一的企业已经用上，24天内估值从约2亿美元涨到75亿美元。

它还带火了一个很快被行业认可的新品类名——决策模型。OpenAI两周内就跟进了Decisions API，AWS、微软、Cloudflare也陆续入局，不到一个月同类产品冒出十余款。决策模型起得这么快，说明AI产业的评价重心在挪：过去看模型写得好不好，现在还看它判断准不准、响应快不快、执行花多少钱。

OmAI联汇CEO兼首席科学家赵天成提到，许多场景真正需要的是一连串连续、迅速且可衡量的判断，而不是没完没了地生成内容。“大语言模型也能完成不少决策，但决策模型属于快速模型，把全部能力和精力集中在可度量、可验证的决策上。决策模型瞄准的是另一类场景：那里要的不是生成出来的一段内容，而是一个能直接拿来用的判断——快、成本低、端侧可读。”

决策做得好不好、花多少钱，这恰恰是决策模型在产业里立得住的出发点。

决策模型：AI进入深水区后补上的“快思考”

其实近一年企业AI的讲法已经明显换了：前两年比的是“模型会不会写、会不会答”，如今云厂商、SaaS厂商和办公平台争着把AI Agent、智能体、智能决策塞进CRM、ERP、供应链和办公流程。信号挺一致——AI不再只是生成内容的工具，它正走进业务流程，变成能直接产出经营结果的“决策基础设施”。

Jev吐出来的不是文本，而是带类型的值：是或否、选项编号、校准过的概率分数，应用拿到手就能用，中间不用再解析。代价是它“不会说话”，好处是端到端延迟压到了70到500毫秒，比同类大语言模型快20到200倍；微软的演示里，同一个分类路由请求，决策模型182毫秒就返回，大模型花了6.4秒。这可不是“稍微快一点”，决策从“按秒算”被拉回“按毫秒算”，高频连续决策链条的时延门槛降下来了，进实际业务流程也就更容易。

决策模型的意义，是让AI模型的能力分工更清楚。复杂推理、内容生成、需要开放答案的任务，还是通用大模型来干；Agent工作流里那些答案空间有限、调用量大、必须又快又稳的判断节点，交给决策模型。它不会取代大模型，只是把“决策”从“生成”里切了出来，让这类模型的决策质量、响应速度和调用成本能围绕具体任务单独评估、单独优化。

赵天成表示：“在实际的智能应用里，不同决策的难度并不相同，不能一概而论。好比解哥德巴赫猜想和日常做客服分类，理论上耗费的脑力差得很远。”他接着说，“可大语言模型现在推理时，成本开销却是一样的。”

企业端采用得这么快，原因也在这儿。过去两年，很多企业场景被套上了生成式的壳，骨子里干的却是决策的活：工单路由、风险分级、流程审批、库存判断、Agent动作选择。生成只是手段，决策才是目的。手段的成本和延迟远远超出目的本身所需时，市场早晚要把两者重新对齐。决策模型干的就是这件事：让模型专心干该干的，快速决策、快速响应，而不是用最贵的方式生产最不需要的内容。

赵天成说，决策模型一出来，公司整个团队第一反应是很振奋。过去五年OmAI联汇做的很多事，本质上就是决策模型所做的事情，只是TypeSafe AI提出决策模型这个概念之前，没有一个大的名字把它们归纳成决策模型。

一个行业若开始拿“快”和“可度量”来划定模型品类，不再用“写得像不像人”衡量一切，那它算是进了深水区。到了深水区，用户要的不是夸夸其谈，而是一连串连续、及时、负担得起的判断。决策模型抓住的，正是这个沉默而庞大的需求。可这些判断一旦进入机器人、无人机等物理设备，光靠快和便宜就不够了。

物理世界的决策，得靠端侧原生的流式多模态

两类场景要的都是同一件事：在明确任务和约束下迅速给出可执行的判断。差别在于，数字工作流主要拿已有信息做判断和操作，物理世界则要模型持续感知动态环境，结合任务目标、空间状态及执行反馈实时调整决策。决策由此从一次性输出结果，变成贯穿感知、理解与行动全过程的连续智能活动，对响应速度、判断准确性及执行可靠性要求更高。判断窗口可能从秒级压到百毫秒级，出错的代价也从结果偏差变成真实的物理世界风险。

具体说，物理世界的第一道门槛是输入变了。

软件工作流里，决策模型的输入是一段用户评论、一张表单、一条工单，说到底还是文本窗口。物理世界不一样：三路摄像头实时视频流、机器人本体姿态参数、自然语言指令同时涌进来，动态、流式、多模态搅在一起。

第二道门槛是错误代价变了。

数字空间里决策错了，改一下重来；机器人决策错了，可能把鸡蛋夹碎，也可能直接炸机。这是生和死的差别，不是一个答案判错的差别。代价这么严肃，就逼出了第三个要求：预判能力。现在的决策模型做的是单步判断——这一轮对还是不对。物理世界却得往后想两三步：刹车必须提前踩，等看见墙再决策已经来不及了。

这些变化指向同一个结论：物理世界的决策模型，必然走“端侧原生的流式多模态”这条路。这个概念是OmAI联汇今年上半年在业界第一次提出的，追求三件事：端侧原生、流式感知、快速决策。

物理世界的场景大多以端侧多模态模型为核心，面对高并发、实时、流式、主动式的需求，快速响应机制不可少。赵天成指出，“这正是一些纯靠云端大语言模型落地物理世界时碰上的典型问题。OmAI联汇推出的端侧部署、轻量化模型架构、流式架构的模型产品，针对的也都是这类问题。”

从Flow到Go，端侧多模态走向专门化决策模型

前两部分聊的是决策模型为何走红、物理世界到底需要怎样的决策模型。OmAI联汇给出的回应不落在概念层面，而体现在已经铺开的VLX矩阵上。对产业来说，这套矩阵也是个更值得看的样本：它并非单个模型，而是围绕物理世界实时决策搭建起来的一整套体系化能力。

往回看，2021年OmAI联汇就推出了国内较早的视觉语言大模型之一，还拿到工信部首张多模态模型认证（OmModel 001号）。那会儿多数人还把多模态当成概念，联汇已经进入模型能力的正式认证体系了。

2025年2月，OmAI联汇把VLM-R1开源出来，这是全球首个将GRPO强化学习方法从纯文本迁移到视觉语言领域的框架。这一步的分量在于，它把“强化学习+视觉语言”的工程路径摊开给了社区。联汇在视觉语言模型上的积累，不是关起门来的演示，而是能向应用生态输出的方法论。

2026年上半年，OmAI联汇在业界第一次提出“端侧原生的流式多模态”概念。眼下VLX矩阵已形成四层能力：VLX-Flow管持续感知，回答视频流里正在发生什么、要不要关注；VLX-Seek管精准定位，回答目标在哪、要找的物品或区域是哪一个；VLX-VR管视频推理，回答事件何时发生、前因后果和视频证据是什么；VLX-Go管行动导航，回答下一处该去哪、关注什么或执行什么任务目标。

这四层并非四个孤立模型，它们在同一条视频流上共享基座、统一数据格式、打通推理链路，是一套面向物理AI打通的端侧产品体系。现有VLX模型其实已在上述能力中具备不同层次的判断与决策能力。即将推出的决策模型，不是在原有体系外另加一个孤立模块，而是针对物理世界高频、连续、实时的决策需求，进一步优化环境状态理解、任务判断、决策输出及响应效率，让模型从感知、理解到决策与行动串成更紧的智能闭环。

技术路线成不成立，说到底要看它有没有进真实设备、真实场景和真实工作流。联汇给出的答案不是单点Demo，而是一组已经铺开的商业化落点。

低空场景中，OttoPlex御行智飞低空具身智能平台用的是VLX-Seek 0.6B端侧版本，为低空巡检任务提供按自然语言描述定位目标与区域的能力；定位结果不会停在模型输出里，飞手、上层任务系统或后续工作流都能接着处理。

无人机侧，公安、海事、自然资源、园区、应急、救援等低空场景已商用落地；机器人侧，云深处、宇树等具身头部企业的设备已经部署；安防侧，百万级摄像头的商业化服务接入已完成；可穿戴侧，好马APP是全球首个服务近10万视障者的AI助视平台。

再往底层看，华为昇腾、地瓜、RK3588国产芯片适配已经完成，苹果、联想、惠普、英伟达四大AI PC品牌也已完成端侧接入。这些跨场景、跨芯片、跨终端的商业化实践，验证了OmAI联汇模型的工程化部署与场景适配能力，也为其继续打磨面向物理世界的实时决策模型备下了真实应用基础。

顺着这条线走，OmAI联汇的技术体系正从面向具体任务的感知、推理与行动能力，转向面向物理世界的专门化实时决策能力。

OmAI联汇测算过：端侧能做到0.1秒级响应，云端往往要5秒以上，差了约50倍。端侧模型还能直接处理实时视觉信息，数据传输与信息转换带来的延迟和信息损失都少了。隐私与可用性也是现实考量——部分安防、工业、低空和应急任务里，数据本地处理、断网可用是硬性的部署要求。成本方面，端侧部署成本能降一个数量级，实时性提升数倍，国产芯片就能跑，具身智能从“Demo阶段”跨进“量产阶段”的拐点有可能提前到来。

但端侧不意味着把云端扔掉。赵天成判断终局是分层的，他说：“我觉得后面其实就是端云协同。慢思考的部分在云端跑，所有快思考、所有的快速决策，全部在端侧跑。我们在很多产品里就是这么用的，用完的结果比纯端或者纯云都要好。这个路径我们已经验证通了。”

对物理AI来说，决策模型的价值终究要在真实设备与实际任务里见分晓：能不能在有限时间内给出可靠判断，能不能把持续感知、空间理解与行动执行接得上。人工智能正从内容生成转向自主决策与实际任务执行，决策的准确性、响应速度与运行成本，也就成了衡量模型实际应用价值的重要标准。

更该盯住的，已经不是模型能生成什么答案，而是它在持续变化的真实环境里，能不能更快、更准、更低成本地作出判断。OmAI联汇在端侧原生流式多模态上的长期积累，加上无人机、机器人等场景的商业化实践，为它进一步拓展物理AI实时决策能力打下了底子。

从持续感知、空间理解到行动规划，OmAI联汇已经搭起面向物理世界的多模态能力体系。即将发布的专门化决策模型，会怎样进一步打通感知、判断与行动之间的智能闭环，又会给无人机、机器人等动态智能终端带来怎样的能力升级？

11月的发布节点越来越近，OmAI联汇这款端侧多模态决策模型究竟能为物理世界的实时决策带来什么突破？答案值得期待。