让全球程序员玩疯的 Jev：抛弃复杂的文字生成，AI 终于回归「直觉」判断

分类：AI动态标签：人工智能、开源项目、大模型、开发者

智能家居社区最近出现了一个有趣的现象：一个名为 HA-Jev 的插件火了。它的逻辑极其简单，传感器读取洗衣机的功率变化与洗衣房门的状态，然后向 AI 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，手机就会弹出一则取衣提醒。

一次判断耗时几十毫秒，花费仅需 0.000015 美元。

插件开发者在论坛里留下一句意味深长的话：「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。」

这句话恰好刺中了当前生成式 AI 的痛处。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。

直到前 OpenAI 研究员 Diogo Almeida 带着他的新模型 Jev 登场。这个被称为「System One」的模型没有嘴巴，不生成任何文字，只输出概率判断。

上线不过数天，全球开发者围绕它疯狂砸出了近五百个开源项目。大家忽然发现，一旦剥离大模型的表达欲，原本昂贵而臃肿的 AI 应用，突然轻快得像一阵风。

大模型的「神经元」：轻量化与高效率

如果把过去调用大模型的过程比作雇佣一位全知全能的哲学家来盯监控，那么开发者们现在用 Jev 所做的事，更像是给流水线装上了无数个廉价且反应灵敏的神经元。

在最耗费算力的 Agent 基础设施领域，这种变化几乎是颠覆性的：

上下文压缩：开发者 Tamara Tran 用 Jev 插件来压缩 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，只要分值低于阈值，直接整条剔除。近 100 万 token 的臃肿上下文，在 1 秒钟内被精简到 8.6 万，整个过程模型没有敲下一个字符。摘要是昂贵的生成行为，但过滤只是一次冷酷的判断。
移动端自动化：Droidrun 团队做了一个名为 mobile-jev 的手机操作代理。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。每一个界面的下一步该点哪里、该滑动还是该确认，全部交给 Jev 做极速概率匹配。
游戏与数据清洗：有人让 Jev 操控模拟器玩超级马里奥，有人驱动《毁灭战士》守卫，甚至接入《星际争霸》完成战斗任务。而在数据清洗方面，9081 条产品匹配数据，换成 Jev 后整个任务 13 分钟跑完，总账单仅为 32 美分。

当大模型不再假装自己是一个博学的人类，AI 才能真正嵌入自动化软件的毛细血管。

Jev 这个名字，取自 19 世纪英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）。经济学上著名的「杰文斯悖论」指出，当技术的进步提高了某种资源的利用效率，导致其使用成本大幅下降时，该资源的总消耗量不但不会减少，反而会呈现爆发式增长。

TypeSafe AI 给 Jev 定下的价格是每百万输入 token 仅需 0.042 美元，输出免费。暴跌的成本，瞬间激活了那些此前被判定为「毫无商业价值」的边缘场景。

作为参与过构建 ChatGPT、共同发明 RLHF 的核心研究员，Almeida 的反思带着一种行业局内人的冷酷。在他看来，整个行业被困在「优化人类自然语言」这条死胡同里太久了。计算机之间协同并不需要抑扬顿挫的修辞，机器需要的是明确的指令与概率。

Pi 框架的 CTO Armin Ronacher 谈到这一现象时直言不讳：「我们早该意识到这一点的。只因为此前主流大模型一直被风投资本补贴得极为廉价，大家都习惯了挥霍，没人愿意去做真正的创造性思考。」

Jev 的出现，撕开了“智能是一块铁板”的传统认知。它证明了有些工作需要推理和表达，有些只需要快速判断。把两者绑在一起，是一种结构性的浪费。

在 Jev 催化的新范式里，一个 AI 系统不再只有「一个大脑」，而是开始出现分工：

海量的毫秒级判断交 -> 便宜到像自来水一样的直觉模型真正需要向人类输出成段文字 -> 唤醒昂贵的生成式模型

当一个判断的成本从几美分降到万分之一美分，开发者不再把原来的判断做得更便宜，而是开始做以前根本不会做的海量判断。这不仅是降本增效，更是 AI 基础架构从「中央集权」走向「分布式分工」的起点。