让全球程序员玩疯的 Jev：抛弃复杂的生成，AI 终于回归轻快与直觉

分类：AI动态标签：大模型、人工智能、开源项目、软件开发

过去四年，整个 AI 行业把几乎所有的算力和资本都压在了一件事情上：教大模型说出更流畅的人话。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，再包装成礼貌体贴的自然语言。

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，全球开发者围绕它疯狂砸出了近五百个开源项目，让人们看到了 AI 应用的新可能。

01 大模型的「神经元」：只做判断，不写八股文

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洗衣房门的状态，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。

正如开发者所言：「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。」

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：

上下文压缩：开发者用 Jev 插件给 Claude Code 的上下文瘦身，不作归纳总结，只逐条给历史工具调用的相关性打分，分值低于阈值直接剔除。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 可以操作真实手机，打开 Uber 并一路点击至付款界面，9 个操作步骤仅耗时 21 秒，全程依靠概率匹配而非文字生成。
游戏与数据库：从控制马里奥、星际争霸守卫，到对数据库行数据进行实时概率过滤，Jev 让毫秒级的决策变成了现实。

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。按照这个资费，一天进行 1 万次业务决策，单月成本仅需 120 美元左右（相比之下，顶级推理大模型的费用可能高达数万美元）。

暴跌的成本，瞬间激活了此前被判定为毫无商业价值的边缘场景。例如，有开发者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，布设了五百多个链接，总共花费仅 21 美分。

正如创始人 Diogo Almeida 在离开 OpenAI 时所感叹的那样：「我们手里握着一道闪电，但它却没那么好用。」过去几年 AI 界花费数千亿美元调教出来的语言能力，在严肃的系统工程面前，大部分时间反而是低效的阻碍。

过去三年的 AI 叙事主线一直是“大模型越来越大、越来越全能”，整个行业默认“智能”是一块不可拆分的铁板。而 Jev 的出现，彻底撕开了这块铁板：有些工作需要推理和表达，而有些工作只需要快速判断。

在 Jev 催化的新范式里，AI 系统开始走向分布式分工：感知 -> 评估 -> 响应

海量的毫秒级判断交给便宜到像自来水一样的直觉模型，只有在真正需要向人类输出成段文字、起草复杂长篇报告的极少数节点，才需要唤醒那个昂贵的生成式模型。

当一个判断的成本从几美分降到万分之一美分，开发者开始创造出成千上万个以前根本不会去做的判断。这不仅是降本增效，更是 AI 基础架构的一次深刻进化。