分类：AI动态 标签：人工智能、大模型、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，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，这种局面被彻底打破。

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。上线短短数天，全球开发者围绕它疯狂砸出了近五百个开源项目。大家突然发现，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」：从全能哲学家到高效决策者

如果把过去调用 GPT 或 Claude 的过程比作雇佣一位全知全能的哲学家来帮你盯监控，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，这种变化是颠覆性的：

  • 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。
  • 端侧自动化：Droidrun 团队做了一个名为 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。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：从操作模拟器玩超级马里奥、驱动《毁灭战士》守卫，到接入《星际争霸》完成战斗任务，再到用 150 行脚本在 13 分钟内完成 9081 条产品匹配数据清洗（总账单仅 32 美分），Jev 展现出了传统大模型无法比拟的极速与性价比。

一次判断耗时几十毫秒，花费仅 0.000015 美元。正如插件开发者在论坛里留下的那句意味深长的话：「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。」

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。

在内容分析领域，Distribb 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，布设了五百多个链接，总共花费 21 美分。

这也解释了为什么创始人 Diogo Almeida 在离开 OpenAI 时会感叹：「我们手里握着一道闪电，但它却没那么好用。」作为参与构建 ChatGPT、共同发明 RLHF 的核心研究员，他的反思直指行业痛点：整个行业被困在优化人类自然语言这条死胡同里太久了。机器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：分布式分工的起点

回看过去三年的 AI 叙事，主线一直是模型越来越大、越来越聪明、越来越全能。一个模型既能聊天，又能写代码，还能看图做表，默认智能是一块不可拆分的铁板。

Jev 的出现撕开了这块铁板。它证明了有些工作需要推理和表达，有些则只需要快速判断。把两者绑在一起，是一种结构性的浪费。

随着 vLLM 贡献者等开源社区迅速跟进推出类似开源版本，「判断模型」作为一个品类已经正式成立。在 Jev 催化的新范式里，一个 AI 系统不再只有单一的大脑，而是开始走向分工：

感知 -> 判断 -> 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，开发者不再只是把原来的工作做得更便宜，而是开始做以前根本不会去做的成千上万次判断。这正是 AI 基础架构从中央集权走向分布式分工的全新起点。