兰 亭 墨 苑

标题 *

URL 别名 *

内容 * (支持 Markdown 格式) # Jev 深度解析：一个不会“说话”的 AI，为什么让全球程序员玩疯了 2026 年 9 月 15 日，硅谷 AI 开发者社区被一个消息刷屏。 一个名叫 **Jev** 的新模型发布了。它不能写文章，不能写代码，不能陪你聊天，甚至连一句完整的话都生成不出来。你给它输入一段文字，它只会回给你几个数字和标签——“96%紧急”、“分类：账单问题”、“愤怒程度：3.0/4”。 听起来像个高级版分类器？如果只是这样，它不可能火成这样。 **上线 24 小时内，Vercel AI Gateway 上近 13% 的付费团队已经开始使用它**，是平台历史上采用最快的一次模型发布不会说话的Jev，为什么爆火？[1]教ChatGPT说话的人 推出「哑巴」AI模型[2]。**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？[1]。Vercel、LangChain、Cloudflare——几乎你能叫得出名字的 AI 基础设施平台，全都在第一时间把它集成进去了不会说话的Jev，为什么爆火？[1]。 Jev 的真正意义，藏在一个被长期忽视的工程问题里：**Agent 内部的绝大多数模型调用，根本不需要“说话”，只需要“判断”。** ## 一、一个“哑巴模型”的诞生 ### 1.1 教 ChatGPT 说话的人，做了一个不说话的模型 Jev 的创始人 **Diogo Almeida**，是 OpenAI 前研究员，也是 **RLHF（基于人类反馈的强化学习）的主要作者之一**——这项技术让 ChatGPT 学会了“好好说话”，可能是当前 AI 时代最重要的训练方法教ChatGPT说话的人 推出「哑巴」AI模型[2]前OpenAI研究员推出首款“System One”模型引爆AI圈：不生成文本，专为机器做快速决策[3]。 但 Almeida 对这件事越来越怀疑。 “我们手握瓶中闪电，但它却没什么用处，”他对 TechCrunch 表示。“从那时起我就一直在解决这个问题。我花了很长时间才得出结论：问题在于我们一直在为人类语言做优化……过去四年我们在人类语言方面做得非常出色，但这对自动化没有用处，**因为计算机说的是另一种语言**。”ChatGPT发明者打造新型AI模型引发开发者热潮[4] 两年前，Almeida 离开 OpenAI，和 Erik Gafni、Sasha Sheng 一起创办了 **TypeSafe AI**。公司隐身研发了两年，出来时带着 **DCVC 领投的 4000 万美元种子轮融资**，估值约 2 亿美元刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？[5]。 2026 年 9 月 15 日，TypeSafe 发布了他们的第一个模型——**Jev**。 ### 1.2 名字来自“杰文斯悖论” Jev 这个名字来自 19 世纪经济学家 **William Stanley Jevons**，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[6]不会说话的Jev，为什么爆火？[1]。 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**。 ## 二、Jev 到底是个什么东西 ### 2.1 三种“题”，就是它的全部 Jev 的 API 简单到令人发指——**只有三种问题类型**不会说话的Jev，为什么爆火？[1]最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏[7]： **Choice（选择题）**：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。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。 **Score（打分题）**：在一个自定义的等级尺度上给出评分，返回连续值和每个等级的概率。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。 **Noul（判断题）**：针对是非问题返回一个 **0 到 1 之间的概率值**。适用场景：是不是广告、是否要求退款、是否存在安全风险。 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[7]。 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。 ### 2.2 和传统大模型的根本区别 用一个比喻就能说清楚： **ChatGPT 给人写答案，Jev 给程序做判断。** 普通大模型是**自回归**的：生成 100 个 Token，就要跑 100 次前向计算。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**刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？[5]教ChatGPT说话的人 推出「哑巴」AI模型[2]。 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**刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？[5]。 ### 2.3 一个真实的对比场景 在 TypeSafe 的官方演示中，同一个客服消息判断任务： - **Jev**：0.114 秒返回全部结构化判断 - **传统大模型**：8.566 秒，还在逐字生成文本Silent AI Takes Social Media by Storm: Is Jev Truly a Groundbreaking New Paradigm Redefining AI Technology?[8] Jev 的端到端延迟是 **70-500 毫秒**，而现有大语言模型的响应时间是 **3 到 329 秒**前OpenAI研究员推出首款“System One”模型引爆AI圈：不生成文本，专为机器做快速决策[3]。 ## 三、为什么能这么快、这么便宜 ### 3.1 架构上的根本改变 传统大模型的输出空间是**开放的**——理论上可以生成任何文本。所以必须逐 Token 生成，每生成一个 Token 都要跑一次完整的前向计算。 Jev 的输出空间是**封闭的**——选项数量有限，答案就是一个概率值。所以它可以： - 把整个上下文做**一次 prefill**，得到 KV Cache - 把 KV Cache **广播**成多份，给每个字段附加不同的 suffix - **一次 batched forward**，所有问题同时求值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[6] ### 3.2 官方公布的数字 | 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** | | 速度提升 | 最高 **193.6 倍** | | 成本降低 | 最高 **444.6 倍** | **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？[1]。 ### 3.3 RLCD：让“置信度”变得诚实 Jev 用的不是 RLHF，是 **RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）**。 三者的区别不会说话的Jev，为什么爆火？[1]最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏[7]： | 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[7]。 **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。 ## 四、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[9]。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。** ### 4.1 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。 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[9]。 **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**。 ### 4.2 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[9]。 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**。 ### 4.3 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[6]APUS开源Jev跨平台复现：国产模型实现秒级决策[10]。 它的核心逻辑： - 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[6]APUS开源Jev跨平台复现：国产模型实现秒级决策[10]。 ### 4.4 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[9]。 ### 4.5 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**教ChatGPT说话的人 推出「哑巴」AI模型[2]。 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**。 在 Ably Pong 演示中，Jev 在 12 秒内做出了 **47 次操作决策**，而 Gemini、Claude 和 GPT 在同样时间里只做出两三次刷屏全球AI新顶流Jev全攻略 零语言交互玩法深度解析[11]。 ### 4.6 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**Jev，让全球程序员玩疯了 | 极客公园[9]。 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。 ### 4.7 加密货币情绪分析 GitHub 上的 **Jev-X-Sentiment-Analysis** 项目用 Jev 做加密货币市场情报终端：搜索任意加密货币，分析 50 到 1000 条推文，基于实时市场数据和社交情绪，**即时返回“买入/卖出/持有/止盈”的决策**，附带置信度百分比和入场范围、止损、目标价位GitHub - brainstormity/Jev-X-Sentiment-Analysis · GitHub[12]。 ## 五、Jev 不能做什么 ### 5.1 它完全不能做的 Jev **完全不能**：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）不会说话的Jev，为什么爆火？[1]。 如果你问它“为什么不选 B”，它**不回答**，它只给数。 ### 5.2 “零幻觉”的真实含义 官方描述 Jev 是“**零幻觉**”，但这**有些夸大**。 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不会说话的Jev，为什么爆火？[1]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[13]。 **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**。 TypeSafe 自己承认：“零幻觉”指的是**不会跳出预设选项范围乱答，但选项范围之内答错依然是可能的**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[13]Silent AI Takes Social Media by Storm: Is Jev Truly a Groundbreaking New Paradigm Redefining AI Technology?[8]。 ### 5.3 已知的弱点 独立测试揭示了几个问题： - **对措辞敏感**：把问题写得越谨慎、越间接，一致率越低 - **非英语准确率不一**：官方称“擅长英语，其他语言准确率不一” - **超大选项集退化**：77 个选项的任务上，Jev 0.81，对照模型 0.87 ## 六、Jev 的真正意义：AI 的“物种分化” ### 6.1 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[9]。 **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。** ### 6.2 “快慢分工”的验证 Jev 验证了 Agent 架构的 **“快慢分工”** 路线： - **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[6]。 **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。 ### 6.3 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**： - **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前OpenAI研究员推出首款“System One”模型引爆AI圈：不生成文本，专为机器做快速决策[3] - **商业模式待验证**：输出免费、输入每百万 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**。”前OpenAI研究员推出首款“System One”模型引爆AI圈：不生成文本，专为机器做快速决策[3] ## 七、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[6]。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**APUS开源Jev跨平台复现：国产模型实现秒级决策[10]。 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[6] 2. Jev，让全球程序员玩疯了 | 极客公园[9] 3. GitHub - socai-io/jev-social: Jev-powered Instagram, TikTok, and LinkedIn research: typed routing, real browser evidence, streamed post cards, video capture, and cited socai reports. · GitHub[14] 4. 刷屏爆火的“不说话”AI Jev 真的是AI新范式吗？[5] 5. 不会说话的Jev，为什么爆火？[1] 6. 教ChatGPT说话的人 推出「哑巴」AI模型[2] 7. 最火哑巴模型Jev加上微信，直接治好了我的低情商- DoNews专栏[7] 8. Meet Jev, the new AI model built to make decisions instead of generating text[15] 9. 开源一个jev playground，集成了官方的演示案例，也可自定义 - 资源 - 大佬说[16] 10. APUS开源Jev跨平台复现：国产模型实现秒级决策[10] 11. ChatGPT发明者打造新型AI模型引发开发者热潮[4] 12. Najboj razširjene arhitekture VJM-jev so le-kodirmik (_angl[17] 13. 前OpenAI研究员推出首款“System One”模型引爆AI圈：不生成文本，专为机器做快速决策[3] 14. 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[13] 15. The Expert Who Trained ChatGPT to Speak Developed a New "Mute" AI Model[18] 16. GitHub - brainstormity/Jev-X-Sentiment-Analysis · GitHub[12] 17. Silent AI Takes Social Media by Storm: Is Jev Truly a Groundbreaking New Paradigm Redefining AI Technology?[8] 18. 刷屏全球AI新顶流Jev全攻略 零语言交互玩法深度解析[11] ## 参考来源 [1] 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 [2] https://eu.36kr.com/zh/p/3988372551990276 [3] https://m.thepaper.cn/detail/34108537 [4] https://www.zhiding.cn/models/2026/0920/3199944.shtml [5] https://eu.36kr.com/zh/p/3988164509711361 [6] https://tech.cnr.cn/techph/20260920/t20260920_527819594.shtml [7] https://www.donews.com/article/detail/6885/107606.html [8] https://eu.36kr.com/en/p/3988164509711361 [9] https://w.geekpark.net/news/370758#comment [10] http://www.news.cn/tech/20260921/8f1c9bd6a9254e629383f1ac51e0d27d/c.html [11] https://eu.36kr.com/zh/p/3991613388241920 [12] https://github.com/brainstormity/Jev-X-Sentiment-Analysis [13] https://www.pingwest.com/a/317597 [14] https://github.com/socai-io/jev-social [15] https://indianexpress.com/article/technology/artificial-intelligence/meet-jev-new-ai-model-from-chatgpt-inventor-10887591/ [16] https://locdd.com/t/topic/93129 [17] https://repozitorij.uni-lj.si:443/Dokument.php?id=212549&lang=slv#10#4 [18] https://eu.36kr.com/en/p/3988372551990276

配图 (可多选)

标签