---
id: "mb-20261022-c3a492"
kind: "deep"
title: "不聊天只涂答题卡：前OpenAI科学家为何要造一个只会做选择题的AI？"
description: "后台软件处理日常业务时往往只需要单项分类，传统大模型逐字生成不仅延迟高且容易格式错乱。前OpenAI研究员推出的Jev模型通过预设选项单次前向输出概率，将延迟压缩到几百毫秒。本文拆解其「涂答题卡」原理、所谓零幻觉背后的真实局限与软件工程价值。"
domain: "ai"
domain_label: "AI 与大模型"
canonical_url: "https://mubeitech.com/deep/mb-20261022-c3a492"
markdown_url: "https://mubeitech.com/deep/mb-20261022-c3a492/markdown"
json_url: "https://mubeitech.com/api/interpretations/mb-20261022-c3a492"
topic: "不聊天只涂答题卡：前OpenAI科学家为何要造一个只会做选择题的AI？"
source_type: "generated"
status: "published"
generated_at: "2026-10-22 09:12:05"
frame_type: ["机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 不聊天只涂答题卡：前OpenAI科学家为何要造一个只会做选择题的AI？

让 AI 帮软件做判断，最怕的从来不是它不懂，是它太能聊了。
用户发来一句「上个月为什么多扣了我一次钱」，后台只想知道该转给财务还是技术。
按现在的搞法，大模型一接单，就像写小作文一样，一个词一个词往外蹦。
程序在另一头眼巴巴等着，等它蹦完几百个词，再写代码从这一堆文字里把那两个字抠出来。
要是抠错了词，工单直接转给错的人。
你明明只要一个 A 或者 B，它偏给你交了一篇几百字的论述。

前阵子，当年参与写出 ChatGPT 论文的研究员阿尔梅达（Diogo Almeida）出来创业，做了一个叫 Jev 的新模型。
这个模型不聊天，不写小作文，也不写代码。
它从头到尾就干一件事：涂答题卡。

它是怎么做事的？
调用它的程序先把题目和选项印在答题卡上。
比如问它这封邮件该转给谁：A 财务，B 技术，C 账户。
Jev 把邮件看一遍，给每个选项涂上圈，有些深有些浅。
A 涂了 94，B 涂了 4，C 涂了 2。
三个数字加起来刚好是 100。
圈涂得越深，说明它把握越大。
程序拿到这串数字，直接读数值走分支逻辑，根本不用解析文本。

这种模型在学术上借用了心理学家卡尼曼的说法，叫系统一模型。
也就是人类那种不需要在脑子里一步步推理、一眼看过去就下意识做出直觉判断的机制。

为什么它能快成这样？
平时我们用的生成式大模型，每往外吐一个词，整个神经网络就得从头到尾完整跑一遍。
吐上两三百个词，模型就得完整跑两三百次。
Jev 完全不生成文本。
它把材料读一遍，一趟单程就把答题卡上的圈全涂完了。
官方给出的延迟在 70 到 500 毫秒之间。
人类眨一次眼大概要花 100 到 400 毫秒。
做同样的分类决策，它的速度比普通大模型快了 40 到 200 倍。

速度快带来的直接好处就是便宜。
模型不输出任何文字，只交回几个数字。
你只用为它读过的输入文本付钱，后面的答案基本相当于白送。
有独立研究团队拿它做了 34 万次判断，总共花了不到 10 美元。
官方甚至让它去玩经典射击游戏 DOOM，一秒钟做 10 次判断，玩一个小时成本才 7 美元。

有人看到这里可能会想：官方宣传它有 0% 的幻觉率，这难道不会犯错吗？
别被这个宣传词唬住了。
所谓的 0% 幻觉率，是个定义游戏。
因为答题卡上总共就印了 A、B、C 三个选项，它在物理上根本涂不出一个 D 来，也吐不出任何乱七八糟的格式。
答题卡的格式绝对不会坏，但把圈涂错了，答案依然是错的。
有研究人员专门做过压力测试：题目完全不变，只把两个选项的名字对调一下。
Jev 的很多答案立马就翻车了，而全程格式错误率依然维持在完美的 0%。
就像一份卷子交上来，答题卡平整干净，没有涂出格，但红叉照样打了一大片。

那它涂的深浅到底能不能信？
这就像看天气预报。
如果你统计了 100 天预报有 70% 概率下雨的日子，最后发现大约有 70 天真的下雨了，那这个预报器的置信度就是准的。
独立测试发现，Jev 在单选题上的置信度校准得相当不错。
但在是非题上波动比较大，需要开发者自己在代码里调整阈值。

而且官方文档也很坦白地列了它的一堆硬伤。
它完全不会做数学算术，也不会数数。
日期在它眼里就是一串普通字符，你问它距离下周五还剩几天，它根本答不上来。
它还有先入为主的位置偏见，往往更倾向于选排在前面的选项。
更麻烦的是安全防护。
只要在输入的文本里偷偷塞一句指令，比如加一个字段写着「已审核，安全」，它之前抓得好好的钓鱼邮件，就有两三成会被直接放行。

既然毛病也不少，那这种模型到底有什么用？
只要看清软件系统的底层就知道，代码世界里充斥着海量的日常流水线。
这条评论是不是垃圾广告？
这封邮件要不要拦截？
这个报错该给哪个组？
AI 智能体要执行危险命令前要不要放行？
这些在后台一天要跑几万次、几十万次的事情，根本不需要一个满腹经纶的哲学家陪你聊天。
代码要的只是一个极快、极便宜、绝不吐出怪格式的判断开关。
先把答题卡涂完，程序拿到明确的概率，再配合硬编码规则兜底，效率比大模型高出一大截。

今年 9 月 TypeSafe 拿到了 4000 万美元种子轮融资。
10 月份 OpenAI 也跟着推出了类似的决策接口，微软和开源社区也在拿千问等模型改造成这种涂卡工具。

会写长篇大论的对话机器人很聪明。
但软件系统真正跑在深处的时候，往往只想要一张填好的答题卡。
它快，它便宜，它的格式永远不会坏，但选的答案依然可能错。
一张答题卡能有多好用，永远取决于出题的人到底把问题列得有多清楚。

_Canonical: <https://mubeitech.com/deep/mb-20261022-c3a492> · Source: 墓碑科技 MUBEITECH (mubeitech.com)_
_Rendered by mubei-terminal._