分类：AI动态 标签：人工智能、大模型、开源项目、AI应用

过去几年，整个科技行业把几乎所有的算力和资本，都压在「教大模型说出更流畅的人话」上。我们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。上线仅仅数天，全球开发者就围绕它疯狂涌现出近五百个开源项目。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」：从写八股文到做判断

智能家居社区 Home Assistant 最近出现了一个名为 HA-Jev 的插件。它的逻辑极其简单：传感器读取洗衣机的功率变化与房门状态，然后抛出一个问题给模型，「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 0.000015 美元。

开发者感慨：「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。」

如果把过去调用 GPT-5 或 Claude 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：

  • 上下文压缩：开发者 Tamara Tran 写了一个 Jev 插件用来压缩 Claude Code 的上下文。它不做归纳总结，而是逐条给历史工具调用的相关性打分，分值低于阈值直接整条剔除。接近 100 万 token 的臃肿上下文，在 1 秒钟内被精简到 8.6 万。
  • 移动端自动化：Droidrun 团队开发的 mobile-jev 代理能够控制真实 Android 手机打开 Uber 并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，没有调用过任何传统的文字生成大模型。
  • 游戏与数据库：从操控模拟器玩超级马里奥，到直接对数据库行数据进行实时概率过滤和排序，Jev 用几十毫秒内的决断能力，打破了大模型在实时交互领域的迟钝。

杰文斯悖论：暴跌的成本激活边缘场景

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）。著名的「杰文斯悖论」指出，当技术进步大幅降低某种资源的使用成本时，其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：

  • Distribb 的创始人拿 Jev 扫描了近六百个网页，在 45 秒内完成了内部链接地图的重构，总共花费 21 美分。
  • 数据清洗任务中，9081 条产品匹配数据仅用 13 分钟跑完，总账单只有 32 美元。

作为参与构建 ChatGPT、共同发明 RLHF 的核心研究员，Diogo Almeida 的反思带着一种行业局内人的冷酷：「我们手里握着一道闪电，但它却没那么好用。」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。

「判断」和「生成」分家

Jev 的大火，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，有些工作只需要快速判断，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，未来的 AI 系统不再只有单一的大脑，而是走向了分布式分工： 感知与过滤 -> 毫秒级直觉判断（使用极低成本的 Jev 模型） -> 文本生成与交互（仅在必要时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，开发者开始做上万次以前根本不会做的判断——给每条数据库记录加语义过滤器，给每次工具调用加安全审查。

大模型，终于开始退回它原本该在的位置。