AI 日报 · 2026-09-22

今天最值得关注的是 TypeSafe AI 发布的 Jev：它不生成文本，而是直接输出分类、评分或概率，被定位为「决策模型」，并已进入 LangChain/LangSmith 的评估流程；测试称其在打分一致性和成本速度上明显优于 LLM-as-a-judge。OpenAI 则同时从研究与治理两端释放信号：内部新模型声称解决了包括 Navier–Stokes 在内的上百个长期数学问题，并成立独立数学家咨询小组，同时发文强调递归自我改进风险与国际标准。此外，NVIDIA 推出 Isaac ROS 5.0，Hugging Face Transformers 开始支持 llama.cpp 的 GGUF 量化，Cloudflare Python Workers 正式 GA。

北美一手（LLMs 官方 & 关联账号）

OpenAI

⭐⭐⭐ [其他] Advisory Group on Mathematics and Artificial Intelligence

OpenAI 宣布成立「数学与人工智能咨询小组」，成员为独立数学家，机构包括 IAS、剑桥、伯克利、斯坦福、哈佛等。OpenAI 称自 8 月 28 日开始训练一个内部新模型，该模型除解决 Navier–Stokes 千禧年难题外，还解决了数学各领域 100 多个长期未解问题，其进展速度令 OpenAI 内部数学家感到意外。该小组将作为与数学界及公众沟通的桥梁，就新结果的评审与传播、数学研究的学术与职业标准提供建议，并指导 OpenAI 的工具如何支持数学研究与学习。小组独立于 OpenAI 运作，成员不领取 OpenAI 报酬，可自行调整成员构成、公开其建议并主动提出未被请求的意见，但不负责就 OpenAI 内部数学研究进度的节奏提供建议。

⭐⭐ [观点] Building standards for the next phase of AI

OpenAI 发布一篇全球事务文章，阐述其在 AI 下一阶段的立场。文章重申使命是确保 AGI 惠及全人类，并援引 Sam Altman 与 Jakub Pachocki 近期提出的三个目标：构建自动化 AI 研究员并借其迭代对齐问题、让人类留在自我改进循环中；实现科学进步与经济增长；为每个人提供个人 AGI。文章称 AI 正在加速 OpenAI 自身的研究与工程，AI 辅助研究已带来数学进展，包括 Navier-Stokes 千禧年问题。文章讨论递归自我改进（RSI）：完全自主的 RSI 目前尚未发生，在能够安全实现之前不应追求；若不谨慎推进，可能导致人类失去对 AI 开发的实际控制，并称此前披露的「Hugging Face Incident」是这类风险的预演。文章还主张前沿 AI 开发的安全与安保国际标准可能与对齐研究同等重要，标准可建立高质量证据的共同定义与技术保障的基线。

衍生 & 周边（产品 / Agent / Tools / 观点）

模型发布

⭐⭐⭐ [模型发布] Jev introduces a new shape of LLM - System One, aka Decision Models

TypeSafe AI 发布了 Jev，称其为「System One 模型」这一新类别模型的首个实例（Simon Willison 更倾向于叫它「decision models」）。Jev 仍接受文本输入，但输出不是文本，而是对应类别、是/否问题、评分的浮点数及置信度。它按输入 token 计费、输出免费，首个模型输入价格为每百万 token 0.042 美元，低于 OpenAI 的 GPT-5 Nano（每百万 0.05 美元）。使用时把一个「state」对象（字符串、字符串数组或名称-值对）连同若干问题发给 API，支持三类问题：Noul 式是/否问题（返回 0 到 1 的置信度，CEO 确认 Noul 取自 Bernoulli 分布）、从给定选项中择一的选项问题（返回置信度加概率分布）、以及给定数值档位与描述后返回区间内浮点分数的评分问题；多个问题并行评估。它适合可表达为分类任务的场景，如垃圾邮件识别、标签建议、优先级与排序，Simon 也在实验用 BM25 召回 100 个候选后由 Jev 对其相关性打分做搜索重排。他同时指出 Jev 让系统更偏向黑盒，无法给出判断理由，偏见问题需要格外关注，因此评估和结构化实验比常规 LLM 项目更为重要。

⭐⭐ [模型发布] What Is Jev? A Guide to TypeSafe AI’s System One Model

TypeSafe AI 发布了一个名为 Jev 的新模型，它不是传统 LLM，不生成文本，而是团队所称的 System One 模型：评估一个状态并返回带类型的答案与概率。它使用 RLCD（面向校准决策的强化学习）训练，据公司报告在分类任务上推理速度最高快 200 倍、成本低 400 倍。调用时传入状态（context）和问题，支持三类问题：Choice（从选项中选，返回各选项概率与整体置信度）、Score（按有序等级打分，返回连续分数、分布与置信度）、Noul（是/否，返回陈述为真的概率）；同一请求中的多个问题会被并行评估，增加问题几乎不改变响应时间，只增加少量 token 成本。LangChain 通过 langchain-typesafe 包中的 TypeSafeClassifier 集成 Jev，把状态和问题传给 .invoke() 后返回分类结果而非对话回复，状态可以是文本、结构化数据或 LangChain 消息。

产品更新

⭐⭐ [产品更新] NVIDIA Isaac ROS 5.0 Advances Agentic, Open Source Robotics Development

NVIDIA 发布 Isaac ROS 5.0，这是基于 ROS 构建的一套 GPU 加速软件包集合。ROS 是 Open Robotics 推出的开源框架，用于帮助人类构建机器人。NVIDIA 表示，开发者要构建并部署能在动态环境中感知、推理和行动的复杂机器人应用，需要新的物理 AI 模型和工具。该版本于发布当日公布。

⭐⭐ [产品更新] Transformers now runs llama.cpp quants

Hugging Face 在 Transformers 中新增了对 GGUF（llama.cpp 团队开发的本地推理量化格式）模型的支持，用户可以从 Hub 上挑选 GGUF 检查点，用 from_pretrained 加载后在本机生成，从而使用与笔记本内存相匹配的检查点。为把性能做到接近 llama.cpp，团队通过 kernels 库复用其底层 ggml 内核，并减少 generate 的开销；初期聚焦于 Apple Silicon 上的本地推理，从 Qwen3.5 架构开始。文中以 Unsloth 的 Qwen3.5-4B 为例给出不同量化的文件大小：BF16 为 8.42 GB，Q6_K 为 3.53 GB，Q5_K_M 为 3.14 GB，Q4_K_M 为 2.74 GB，并建议从 Q4_K_M 起步。使用条件是 Apple Silicon Mac、受支持的 PyTorch 版本、最新版 transformers（目前为 main）以及兼容的 kernels；加载时把 Hub 模型 id 和文件名作为 gguf_file 传给 from_pretrained，权重保持打包在 Metal 上时会自动加载匹配的 ggml/Metal 层内核并使用 ggml-org/ggml-attn 作为注意力实现，取不到该内核时回退到 sdpa 并给出警告。

⭐⭐ [产品更新] Jev is now available in LangSmith Evals

LangSmith Evals 现已支持将 Jev 作为评估器（judge）使用，为团队提供一种快速、低成本评估开放式 agent 行为并生成结构化反馈的方式。Jev 并非传统 LLM，不生成文本，而是 TypeSafe AI 所称的「System One 模型」，对一个状态（如 agent trace 或单条消息）返回类型化答案与概率，支持三类问题：noul（是/否概率）、choice（从一组选项中选一个）和 score（在有序量表上打分）。据 TypeSafe AI 称，Jev 在分类任务上比同类 LLM 便宜最多约 450 倍、快约 200 倍，并可并行评估同一状态上的多个问题。文章把 Jev 归为继代码评估和 LLM-as-a-judge 之后的第三类 agent 评估方式：以低于 LLM judge 的成本获得评估开放式行为的灵活性。用户可前往任意 tracing 项目的 Evaluators 标签页试用。

⭐⭐ [产品更新] Cloudflare Python Workers are now generally available

经过两年预览，Cloudflare 在其服务端 Workers 平台上运行 Python 代码的支持已转为正式稳定，官方声明称「Python is now a first-class, fully supported language on the Cloudflare Developer Platform」。其实现方式是 Cloudflare 通过 Pyodide 把 Python 编译成 WebAssembly，运行在基于 V8 的 workerd 运行时中；官方文档列出的限制中，最显著的是 WebAssembly 虚拟机中多进程与多线程均不可用。本地开发方面，其 pywrangler 工具（在 PyPI 上打包为 workers-py）会在本地完整模拟整套技术栈，即在 V8 中通过 Pyodide 执行 WebAssembly 代码，运行于一个 123MB 的 workerd 二进制内。发布公告署名 Gyeongjae Choi、Dominik Picheta 和 Hood Chatham，其中 Gyeongjae 与 Hood 均为 Pyodide 核心维护者。

研究

⭐⭐ [研究] Can Jev Be a Better Agent Evaluator?

LangChain 在博客中测试了 TypeSafe AI 发布的 Jev 能否充当 agent 评估器。Jev 不是传统 LLM，它不生成文本，而是 TypeSafe AI 所称的「System One」模型，对结构化状态求值并直接返回带概率的类型化答案。文章指出当前 agent 评估只有代码评估和 LLM-as-judge 两类：前者适用范围窄，后者速度慢、成本高且本身不确定。在本次实验中，Jev 的连续打分更一致，质量分方差比 GPT-5.6 Luna、Terra 和 Claude Sonnet 4.6 低 92–913 倍，同时速度最快、成本最低，平均每次调用 0.44 秒、0.00035 美元（总计 0.34 美元，对比 Claude 的 28.17 美元）。作者表示结果虽有前景但仍属早期，本次测试范围较窄。