Edit: 不说话的“神经元”：Jev 如何让 AI 学会“闭嘴判断”

编辑文章

标题 *

URL 别名 *

内容 * (支持 Markdown 格式)

> 当一个亲手教 ChatGPT “好好说话”的人，转头做了一个“一个字都不说”的模型，事情就不简单了。

## 一、一个反直觉的发布会

2026 年 9 月 15 日，硅谷的 AI 开发者圈层被一个消息刷屏。

没有发布会，没有长篇技术博客，创始人只是在社交媒体上连发了几条帖子。发布后 **24 小时内，Vercel AI Gateway 上近 13% 的付费团队已经开始使用它**——这是该平台历史上新模型采用速度最快的一次[不会说话的Jev，为什么爆火？](https://www.sohu.com/a/1079005971_120603108?scm=10001.7746_13-119000.0.0-0-0-0-0.0&spm=smpc.channel_354.block3_32_P7Ovbu_1_fd.16.1789976013663fHhff1x_7746)。**36 小时内，14 万名开发者涌入内测**[不会说话的Jev，为什么爆火？](https://www.sohu.com/a/1079005971_120603108?scm=10001.7746_13-119000.0.0-0-0-0-0.0&spm=smpc.channel_354.block3_32_P7Ovbu_1_fd.16.1789976013663fHhff1x_7746)。

这个模型叫 **Jev**。

它不能聊天，不能写代码，不能写文章，不能看图，也不能解释自己。你问它一个问题，它**一个字的文字都不生成**。

那它做什么？

它只做一件事：**判断**。

给它一段内容（一封客服邮件、一行日志、一个页面状态），再给它几个事先定义好的问题，它直接返回结构化的答案和概率——“紧急程度 96%”、“分类：账单问题”、“客户愤怒度 3.0/4”。

听起来像个高级分类器？如果只是这样，它不可能火成这样。

它的创始人 **Diogo Almeida**，是 OpenAI 前研究员，**RLHF（让 ChatGPT 学会“好好说话”的核心训练方法）的主要作者之一**。OpenAI 在 GPT-4 的贡献名单中将他列为“Foundational RLHF and InstructGPT work”的贡献者[刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？](https://eu.36kr.com/zh/p/3988164509711361)。

**一个亲手教 AI 说话的人，转头做了一个不说话的模型。**

这个反差本身，就是整个故事最有意思的起点。

## 二、Jev 到底在解决什么问题

要理解 Jev，得先理解当前大语言模型在“干活”时的一个结构性浪费。

### 2.1 一个电商 Agent 的困惑

假设你有一个电商 Agent，它打开网页后需要判断：下一步点哪个按钮？

常见做法是把网页状态交给 GPT 或 Claude，模型理解页面后，**一个 Token 接一个 Token 地生成答案**：“根据当前页面，我应该点击右下角的 Checkout 按钮”。然后软件再从这段文字里把 “Checkout” 抠出来，调用浏览器工具完成点击。

但从软件系统的角度看，它真正需要的信息，**可能只是“第三个按钮”**[刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？](https://eu.36kr.com/zh/p/3988164509711361)。

类似的情况大量存在于 Agent 内部：这个工单该交给销售还是售后？这笔交易风险高不高？搜索结果里哪条最相关？

这些任务都需要**语义理解和判断能力**，却没有多少**开放式文本生成**的必要。

### 2.2 “用大模型回答不需要它的问题”

Home Assistant 社区有一个真实案例。开发者写了一个叫 HA-Jev 的插件，逻辑极其简单：传感器读取洗衣机的功率变化和洗衣房门的状态，然后抛出一个问题——“洗衣机洗完了，衣服是不是被忘在里面了？”

模型**不输出任何文字分析，只返回一个概率值**。当置信度超过 0.8 时，手机弹出取衣提醒。

一次判断耗时**几十毫秒，花费 0.000015 美元**。

这位插件开发者在论坛里留下一句话，恰好刺中了当前生成式 AI 的痛处：

> **“我过去一直在用大语言模型回答根本不需要它的问题。衣服忘没忘拿是一个判断，不是一篇八股文。”**[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)

### 2.3 Jev 的定位

TypeSafe 把 Jev 定义为 **“System One Model”（系统一模型）**——名字来自丹尼尔·卡尼曼的《思考，快与慢》。系统一指的是**快速、直觉式的判断**；系统二则是慢速、逐步推理的思考[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)[刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？](https://eu.36kr.com/zh/p/3988164509711361)。

过去几年，整个行业把几乎所有的算力、资本和工程资源，都压在“教模型说出更流畅的人话”上。**但软件里真正需要的判断，大多数是系统一。**

Jev 的目标就是这一部分工作。

## 三、Jev 的三种“题”：Choice、Score、Noul

Jev 的 API 简单到令人发指——**只有三种问题类型**[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)。

### 3.1 Choice：选哪个

从**预先定义的选项集合**中选择一项，最多支持 **255 个选项**，返回各选项的概率分布和最终选择[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)。

适用场景：该交给哪个部门、该调用哪个模型、下一步执行哪个动作、屏幕上哪个按钮是提交。

### 3.2 Score：打多少分

在一个**自定义的等级尺度**上给出评分，返回连续值（可以是小数）和每个等级的概率[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)[Decision Models | AI/ML API Documentation](https://docs.aimlapi.com/api-references/decision-models)。

适用场景：用户有多生气、内容风险有多高、某个候选有多符合要求。

一个值得注意的设计是：Score 返回的是**期望等级索引**，可以是分数。这意味着它可以表达“介于 1 和 2 之间”这种细微判断，而不是被硬性卡在整数上。

### 3.3 Noul：是不是

针对**是非问题**返回一个 **0 到 1 之间的概率值**，以及置信度[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)。

适用场景：是不是广告、是否要求退款、是否存在安全风险、是否紧急。

### 3.4 关键：可以混着问，而且并行算

三种题型可以**混在同一个请求里**，而且是**并行计算**的。

官方称，**问一个问题还是问四个问题，延迟几乎一样**[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)。

这意味着，一封客服邮件可以在**一次调用**里同时完成：是否紧急（Noul）、该分给哪个部门（Choice）、客户愤怒程度（Score）、是否要求退款（Noul）——四个判断，一次返回。

### 3.5 一个完整的 API 示例

以下示例展示了如何用 Jev 处理一条客服消息[Jev | AI/ML API Documentation](https://docs.aimlapi.com/api-references/decision-models/typesafe/jev)：

```json
{
  "model": "typesafe/jev",
  "state": "Help! My payments have been failing for 3 days and nobody answers support.",
  "questions": {
    "is_urgent": {
      "type": "noul",
      "instructions": "Does this convey urgency?"
    },
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this?",
      "criteria": {
        "billing": "Payments, invoicing, refunds",
        "technical": "Bugs, outages, integrations",
        "sales": "Pricing, upgrades, new accounts"
      }
    },
    "frustration": {
      "type": "score",
      "instructions": "How frustrated is the customer?",
      "criteria": ["Calm", "Frustrated", "Very angry"]
    }
  }
}
```

返回结果里，每个问题都有一个**类型化答案 + 概率 + 置信度**。软件拿到这些结果后，用普通代码就能决定：紧急度 > 0.8 且愤怒度 >= 2 的，直接转人工。

## 四、为什么能这么快、这么便宜

Jev 最引人注目的两个数字：**速度最快提升 193.6 倍，成本最低降低 444.6 倍**[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)。

但这不只是“优化”的结果，而是**架构上的根本改变**。

### 4.1 传统大模型：一个 Token 一个 Token 地“写”

普通大模型是**自回归**的：生成 100 个 Token，就要跑 100 次前向计算。输出越长，越慢越贵。

哪怕你只需要一个“A”，它也可能先写一段“根据你的描述，我认为最合适的选择是 A，因为……”——**大量 Token 花在了“解释答案”上**[输出token永久免费！Jev爆火后，开源版也跟着火了](https://hub-assets-cache.baai.ac.cn/view/58152)。

### 4.2 Jev：跳过整个生成过程

Jev **不走这条路**。

它的输出空间是**预先定义好的**——选项就那么多，答案就是一个概率值。所以它可以**并行采样，一次前向计算全部搞定**[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)[不会说话的Jev，为什么爆火？](https://www.sohu.com/a/1079005971_120603108?scm=10001.7746_13-119000.0.0-0-0-0-0.0&spm=smpc.channel_354.block3_32_P7Ovbu_1_fd.16.1789976013663fHhff1x_7746)。

官方公布的数字[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)：

| 指标 | 数值 |
|------|------|
| 端到端延迟 | **70-500 毫秒** |
| 输入价格 | 每百万 Token **0.042 美元** |
| 输出价格 | **免费** |

**输出免费的底气**：“既然没有逐字生成的过程，那就没有值得计费的输出。”官方博客里的原话更直接——“**便宜到根本不值得计费**”[不会说话的Jev，为什么爆火？](https://www.sohu.com/a/1079005971_120603108?scm=10001.7746_13-119000.0.0-0-0-0-0.0&spm=smpc.channel_354.block3_32_P7Ovbu_1_fd.16.1789976013663fHhff1x_7746)。

### 4.3 RLCD：让“置信度”变得诚实

Jev 用的是**RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）**，而不是 RLHF[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)。

三者的区别[输出token永久免费！Jev爆火后，开源版也跟着火了](https://hub-assets-cache.baai.ac.cn/view/58152)：

| 方法 | 优化目标 |
|------|---------|
| RLHF | 人类看了觉得“好” |
| RLVR | 程序能验证“对错” |
| **RLCD** | **模型说的概率，和实际命中率对上** |

这意味着：如果 Jev 说有 **70% 的把握**，那在数学验证上，**大约 70% 的情况下它是对的**[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)。

**这个“校准”是 Jev 真正的技术核心**。因为如果置信度是靠谱的，程序就可以根据置信度来做决策：90% 以上自动执行，60%-90% 继续确认，60% 以下转人工[Jev 入门：ChatGPT 研究员做了个“不会聊天、不写代码”的 AI 模型，但速度快200倍、成本低400倍 - 小众软件](https://www.appinn.com/jev-getting-started/)。

### 4.4 独立测试的验证

挪威开发者 Emil Lindfors 在 2026 年 9 月 18 日发布了一份独立测试报告，是目前少数非官方数据[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)。

**Jev 的概率校准方向全部正确**：在立场判断中，概率落在 0.9 到 1.0 区间的 43 次，参考标签为“是”的比例为 **98%**；落在 0.0 到 0.1 区间的 14 次，比例为 **0%**。

对照 DeepSeek V4.1 Flash 开启推理时的自述置信度 0.7 到 0.9 的判断，参考只同意 **48%**[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)。

**但准确率并没有碾压**。在 24 份挪威语样本下，Jev 与 DeepSeek 在立场与论点判定上**统计上无差别**。开推理只多换来 2 个标签，代价是十倍延迟[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)。

另一份更广泛的独立测试来自 JevBench，覆盖 242 道决策题，六个家族：**请求路由、答案充分性判断、策略是非检查、意图分类、等级严重性评分、枚举提取**[GitHub - fstandhartinger/jevbench: JevBench v1 - a benchmark for Jev-class typed decision models: smart, cheap, fast, reliable, open. · GitHub](https://github.com/fstandhartinger/jevbench)。Jev 在速度、成本、可靠性上表现突出，但**能力上并非全面领先**。

## 五、Jev 到底能用在哪些场景

Jev 爆火后，社区在几天内砸出了**近 500 个开源项目**[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。这些项目揭示了一个事实：**Agent 内部的“小判断”需求，远比人们意识到的多。**

### 5.1 Agent 的“神经元”：上下文过滤

一个开发者写了一个 Jev 插件，用来**压缩 Claude Code 的上下文**。它不做任何归纳总结，而是**逐条给历史工具调用的相关性打分**，分值低于阈值的直接剔除[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

结果：**接近 100 万 Token 的臃肿上下文，在 1 秒钟内被精简到 8.6 万**，模型没有敲下一个字符[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

**这里的洞察非常朴素**：摘要是昂贵的生成行为，但**过滤只是一次冷酷的判断**。

### 5.2 移动端自动化：21 秒完成 9 步操作

Droidrun 团队做了一个叫 **mobile-jev** 的手机操作代理。在一段演示中，它控制真实 Android 手机打开 Uber，输入起点和终点，一路精准点击直至付款界面，**全程 9 个操作步骤仅耗时 21 秒**[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

整个流程没有调用过任何传统的文字生成大模型。文字输入是直接从用户指令中截取的纯文本片段，而**每一个界面的下一步该点哪里，全部交给 Jev 做极速概率匹配**[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

### 5.3 浏览器自动化：离线、零成本、数据不出本机

中国 AI 企业 APUS 在 9 月 19 日公布了全球最早一批针对 Jev 的开源复现，命名为 **fast-browser-use**，以 MIT 协议开放[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)[APUS开源Jev跨平台复现：国产模型实现秒级决策](http://www.news.cn/tech/20260921/8f1c9bd6a9254e629383f1ac51e0d27d/c.html)。

它的核心逻辑[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)：
- 将页面上真实可见、可交互的元素整理为**带编号的候选动作集合**
- 由本地运行的模型（Qwen3.5-9B）通过**单次前向计算**直接完成“点哪里、选哪个”的决策
- **从机制上消除了模型生成错误选择器或格式幻觉的可能**

实测数据：在 Apple M2 Pro 消费级笔记本上，全程离线完成真实维基百科检索任务的中位耗时约 **18 秒**，表单填报、站内导航等任务耗时仅 **3 秒左右**，单任务模型打分次数仅 **4 次**，**全程零云端调用、零 API 费用，用户数据不出本机**[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)。

### 5.4 微信：治好了“低情商”

Jev 爆火后，社区拿它用得最多的场景之一，是**作为微信的插件**[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)。

微信最难的地方在于**精准触达对方的想法**。比如经典的“你看着办”——到底是该怎么办？是小改一下？是放着不管？还是大刀阔斧？

Jev 的 Noul 和 Choice 能力恰好能处理这类模糊判断。把消息丢给 Jev，它返回概率化的判断结果，程序据此决定下一步动作。

### 5.5 数据库：自然语言行级过滤

GitHub 上涌现出 **pg-jev** 和 **duckdb-jev**，开发者开始用自然语言**直接对数据库的行数据进行实时概率过滤和排序**[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

### 5.6 游戏：每秒 10 次决策

TypeSafe 官方发布了一段 Jev 玩《毁灭战士》的视频，其调用频率约为**每秒 10 次**，每小时游戏费用约 **7 美元**[ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)。

游戏需要的是几十毫秒内的操作决断，**以往的大模型连第一帧的思路都还没理顺，游戏角色早就阵亡了**[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

### 5.7 给大模型当“验收员”

一类特别有价值的用法是：**用 Jev 检查大模型的行为**。

开发者 Elvis Saravia 把 Jev 接进自己的 Agent 框架，构建了自定义验证器：**在 Agent 宣称任务完成后再检查一遍**[输出token永久免费！Jev爆火后，开源版也跟着火了](https://hub-assets-cache.baai.ac.cn/view/58152)。

这样验证成本足够低，且目标结果可信度高。**系统一负责快速筛查，系统二负责深度推理**——这是 Jev 与生成式大模型最自然的协作方式。

### 5.8 文档字段比对：99% 的精确匹配率

日本 Classmethod 的开发者用 Jev 做了一组**发票/文档字段比对测试**，107 个案例[【TypeSafe】Jev で書類項目の突合はどこまでできるか？精度・速度・コストを測ってみた | DevelopersIO](https://dev.classmethod.jp/articles/typesafe-jev-cross-match/)：
- **精确匹配**：106/107（**99.1%**）
- **语义匹配**：96/106（90.6%）
- **平均延迟**：702 毫秒
- **总成本**：**0.002289 美元**（107 个案例）

薄弱环节集中在 **“缺失字段”判断**（43%）和**日期比对**（83%）[【TypeSafe】Jev で書類項目の突合はどこまでできるか？精度・速度・コストを測ってみた | DevelopersIO](https://dev.classmethod.jp/articles/typesafe-jev-cross-match/)。这说明 Jev 在“从有到有”的选择上很强，但在“判断有没有”这类需要细粒度语义理解的任务上仍有局限。

## 六、Jev 不能做什么（以及它“零幻觉”的真相）

### 6.1 它不能做的

Jev **完全不能**[GitHub - OmarMujahid/jev-decision-bench · GitHub](https://github.com/OmarMujahid/jev-decision-bench)[实测Jev：没那么强，但足够给有些乏味的AI圈带来新刺激-品玩](https://www.pingwest.com/a/317597)：
- 写文本
- 调用工具
- 解释答案
- 看图、听音频、看视频（**仅支持文本输入**，32K 上下文）[Jev | AI/ML API Documentation](https://docs.aimlapi.com/api-references/decision-models/typesafe/jev)

如果你问它“为什么不选 B”，它**不回答**，它只给数[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)。

### 6.2 “零幻觉”的真实含义

官方描述 Jev 是“**零幻觉**”，但这**有些夸大**[输出token永久免费！Jev爆火后，开源版也跟着火了](https://hub-assets-cache.baai.ac.cn/view/58152)。

Jev 保证的是**模式匹配**：你给它 A、B、C 三个选项，它**绝不会自作主张编出一个 D 输出**。它也不会把本该是数字的结果写成一段文字[实测Jev：没那么强，但足够给有些乏味的AI圈带来新刺激-品玩](https://www.pingwest.com/a/317597)。

**但“类型正确”不等于“事实正确”。**

正确答案明明是 A，它**照样可能选成 B**[输出token永久免费！Jev爆火后，开源版也跟着火了](https://hub-assets-cache.baai.ac.cn/view/58152)。

虎嗅的实测显示，Jev 在 50 道中文客服题上的**完整准确率约 64%-65%**，并没有碾压同级小模型[不会说话的Jev，为什么爆火？](https://www.sohu.com/a/1079005971_120603108?scm=10001.7746_13-119000.0.0-0-0-0-0.0&spm=smpc.channel_354.block3_32_P7Ovbu_1_fd.16.1789976013663fHhff1x_7746)。

### 6.3 已知的弱点

官方已知弱点页和独立测试揭示了几个问题[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)[GitHub - OmarMujahid/jev-decision-bench · GitHub](https://github.com/OmarMujahid/jev-decision-bench)：
- **对措辞敏感**：把问题写得越谨慎、越间接，一致率越低。模型“按字面读指令”
- **非英语准确率不一**：官方称“擅长英语，其他语言准确率不一”。挪威语测试中，每 Token 约 2.06 字符，32K 状态上限只能装约 6.4 万字符
- **计数能力弱**：在计数任务上得分 0.87，对照模型 0.99
- **超大选项集退化**：77 个选项的 Banking77 任务上，Jev 0.81，对照模型 0.87
- **否定句一致性差**：一个问题及其否定形式，概率平均相差 0.32

## 七、Jev 的真正意义：AI 的“物种分化”

### 7.1 一个被忽视的架构问题

过去四年，整个行业把几乎所有的算力、资本和工程资源，都压在“**教模型说出更流畅的人话**”上。

大家习惯了用百亿甚至千亿参数的庞然大物，**先吐出一长串思考过程，再包装成礼貌体贴的自然语言**，最后让开发者用复杂的正则表达式把需要的答案抠出来[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

**但软件系统真正需要的，往往只是一个数字、一个标签、一个概率。**

### 7.2 “快慢分工”的验证

Jev 验证了 Agent 架构的 **“快慢分工”** 路线[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)[APUS开源Jev跨平台复现：国产模型实现秒级决策](http://www.news.cn/tech/20260921/8f1c9bd6a9254e629383f1ac51e0d27d/c.html)：
- **昂贵的大模型**负责规划等“**慢思考**”
- **高频、原子化的“快判断”** 交给 **轻量决策模型**完成

负责组装与调度这套分工的工程层，在业界被称为 **Harness**[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)。

**Jev 不是要取代大模型，而是要成为大模型身边的“神经元”**——那些廉价、反应灵敏、数量庞大的判断节点[Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)。

### 7.3 杰文斯悖论

Jev 这个名字来自 19 世纪经济学家 **杰文斯**，暗合“**杰文斯悖论**”：蒸汽机效率提高、每吨煤更便宜，**煤炭的总消耗反而涨了**，因为便宜的动力被用到了更多地方[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)[最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)。

TypeSafe 希望同样的事情发生在 AI 上：**让“智能判断”足够便宜之后，它会被大规模嵌入软件**[刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？](https://eu.36kr.com/zh/p/3988164509711361)。

### 7.4 但需要冷静看待

Jev 的爆火有真实的工程价值，但也有**需要审视的地方**[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)：
- **基准不独立**：所有官方分数来自内部评测，参考答案由其他模型取平均
- **商业模式待验证**：输出免费、输入每 Token 0.042 美元被质疑以融资补贴价格
- **准确率与前沿大模型大致持平**，优势在速度和成本，不在“更聪明”

Almeida 在博客中的回应是：“**非凡的主张需要非凡的证据**”，并公开了四个评测工作流供复现。他说：“**我们喜欢怀疑者，我们自己也是怀疑者**。”[爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)

## 八、对你 WeClaw 的可能价值

Jev 的定位——**Agent 运行中的高频小判断**——和 WeClaw 的架构有天然的契合点。

你目前可能用 Gemini 意图代理在做的判断，**有一部分可以换成 Jev 或它的开源复现**：

| WeClaw 场景 | Jev 能做什么 |
|-------------|-------------|
| **意图路由** | 用户消息该走 chat / search / publish / image？ |
| **消息过滤** | 这条消息是广告、闲聊还是真实指令？ |
| **模型路由** | 这个请求该交给便宜模型还是强模型？ |
| **输出检查** | 某个 agent 的回复是否安全/合规？ |
| **上下文压缩** | 哪些历史工具调用值得保留？ |

这些判断的共同点是：**选项有限、答案明确、需要快速返回**。用生成式模型做这些，是在用“写作文”的能力做“答选择题”的事。

**Jev 的价值不在“更聪明”，而在“同样的判断，快 10 倍、便宜 10 倍”。**

### 一个可以关注的路线

Jev 目前**尚未向中国大陆开放**[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)。但 APUS 的开源复现（fast-browser-use）已经证明：**用本地开源模型（Qwen3.5-9B）在端侧实现 Jev 的决策范式，在工程上是可行的**[Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)[APUS开源Jev跨平台复现：国产模型实现秒级决策](http://www.news.cn/tech/20260921/8f1c9bd6a9254e629383f1ac51e0d27d/c.html)。

而且这个路线有一个 Jev 官方 API 没有的优势：**数据不出本机**。对于你的个人知识库场景，这一点可能比速度更重要。

---

**Jev 的爆火，本质上是一个被长期忽视的需求终于被看见了：**

**Agent 不需要每一步都“说话”。它需要的是，在正确的地方，快速、便宜、可靠地做出判断。**

而“判断”这件事，值得一个专门的模型。

---
1. [Jev模型是什么？TypeSafe“决策模型”爆火后，APUS交出全球首批跨平台开源复现](https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml)
2. [ChatGPT 背后功臣：Almeida 推出 AI 模型 Jev，不生成文本、输出免费](https://m.ithome.com/html/1003584.htm)
3. [爆火的Jev 是什么：前 OpenAI 研究员做的"不说话"模型，只输出带概率的结构化决策](https://news.qiniu.com/archives/1789895633449)
4. [Jev，让全球程序员玩疯了 | 极客公园](https://w.geekpark.net/news/370758#comment)
5. [APUS开源Jev跨平台复现：国产模型实现秒级决策](http://www.news.cn/tech/20260921/8f1c9bd6a9254e629383f1ac51e0d27d/c.html)
6. [SystemOne - OpenRouter | Documentation](https://openrouter.ai/docs/client-sdks/go/sdks/systemone/README)
7. [GitHub - fstandhartinger/jevbench: JevBench v1 - a benchmark for Jev-class typed decision models: smart, cheap, fast, reliable, open. · GitHub](https://github.com/fstandhartinger/jevbench)
8. [最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏](https://www.donews.com/article/detail/6885/107606.html)
9. [输出token永久免费！Jev爆火后，开源版也跟着火了](https://hub-assets-cache.baai.ac.cn/view/58152)
10. [Jev | AI/ML API Documentation](https://docs.aimlapi.com/api-references/decision-models/typesafe/jev)
11. [刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？](https://eu.36kr.com/zh/p/3988164509711361)
12. [【TypeSafe】Jev で書類項目の突合はどこまでできるか？精度・速度・コストを測ってみた | DevelopersIO](https://dev.classmethod.jp/articles/typesafe-jev-cross-match/)
13. [不会说话的Jev，为什么爆火？](https://www.sohu.com/a/1079005971_120603108?scm=10001.7746_13-119000.0.0-0-0-0-0.0&spm=smpc.channel_354.block3_32_P7Ovbu_1_fd.16.1789976013663fHhff1x_7746)
14. [Pourquoi Jev fait parler de lui : cette IA annonce être bien plus rapide et bien moins chère que les grands modèles](https://www.futura-sciences.com/tech/actualites/intelligence-artificielle-jev-fait-parler-lui-cette-ia-annonce-etre-bien-plus-rapide-bien-moins-chere-grands-modeles-137822/#xtor%3DRSS-8)
15. [Decision Models | AI/ML API Documentation](https://docs.aimlapi.com/api-references/decision-models)
16. [systemone](https://pkg.go.dev/chainguard.dev/driftlessaf/agents/executor/systemone)
17. [Jev 入门：ChatGPT 研究员做了个“不会聊天、不写代码”的 AI 模型，但速度快200倍、成本低400倍 - 小众软件](https://www.appinn.com/jev-getting-started/)
18. [GitHub - OmarMujahid/jev-decision-bench · GitHub](https://github.com/OmarMujahid/jev-decision-bench)
19. [实测Jev：没那么强，但足够给有些乏味的AI圈带来新刺激-品玩](https://www.pingwest.com/a/317597)

配图 (可多选)

选择新图片文件或拖拽到此处

标签