Jev模型崛起：AI从“生成”转向“判断”，重构自动化架构
2026/09/21 19:02阅读量 4
前OpenAI研究员Diogo Almeida推出新型概率判断模型Jev，摒弃文本生成能力，专注于毫秒级决策输出。该模型凭借极低的成本（每百万token仅0.042美元）和极高的效率，迅速激发全球开发者围绕其构建近500个开源项目。这一趋势标志着AI应用正从依赖昂贵大模型的中央集权式架构，向“直觉模型负责高频判断、生成模型负责复杂表达”的分布式分工范式转变。
事件概述
前OpenAI研究员Diogo Almeida发布了名为Jev（代号System One）的新型AI模型。与传统大语言模型不同，Jev不生成任何自然语言文本，而是直接输出概率判断值。上线数日内，全球开发者已基于此模型开发了近500个开源项目，引发了对AI基础设施架构重新思考的热潮。
核心信息与技术特性
- 极简逻辑与高效能：Jev的核心功能是提供快速、低成本的二元或概率判断。例如在智能家居插件HA-Jev中，模型通过读取洗衣机功率变化判断衣物是否遗忘，耗时仅几十毫秒，单次调用成本约0.000015美元。
- 颠覆性应用场景：
- 上下文压缩：在Claude Code等工具中，Jev被用于对历史工具调用进行相关性打分并剔除低分项，能在1秒内将100万token的上下文精简至8.6万token，且无需生成摘要文本。
- 移动端自动化：Droidrun团队开发的mobile-jev代理，通过Jev进行界面操作的概率匹配，控制Android手机完成Uber叫车流程仅需21秒，全程无传统文字生成模型介入。
- 数据库与游戏：出现pg-jev和duckdb-jev等项目，实现自然语言对数据库行的实时过滤；在游戏领域，Jev被用于《超级马里奥》、《毁灭战士》及《星际争霸》中的毫秒级操作决断。
- 数据清洗：处理9081条产品匹配数据，Jev方案耗时13分钟，总费用仅32美分，而此前使用主流大模型因成本过高被放弃。
经济效应：杰文斯悖论的体现
- 成本暴跌：TypeSafe AI为Jev定价为每百万输入token 0.042美元，输出免费。相比同等准确率的顶级推理大模型（月成本可达3.5万美元），Jev使业务决策成本降低两个数量级。
- 激活边缘场景：极低的边际成本使得以往被认为“无商业价值”的高频判断场景变得可行。例如，Distribb创始人利用Jev在45秒内扫描600个网页并重构内部链接地图，花费仅21美分，完成了8790次连接决策。
行业影响：AI架构的范式转移
- 判断与生成分离：Jev的出现证明了“智能”并非不可拆分的整体。复杂的推理和人类交互仍需大模型，但海量的、毫秒级的系统内部判断应交由廉价的“直觉模型”。
- 分布式分工架构：AI系统架构正从“中央集权”（单一全能大模型）转向“分布式分工”。前端由低成本模型处理高频决策，仅在需要向用户输出长文本或情绪价值的节点才唤醒昂贵的大模型。
- 开源生态响应：vLLM贡献者已基于Google DiffusionGemma快速复现了Jev的开源版本，初步测试准确率接近官方，表明“判断模型”作为一个独立品类已确立，不再局限于单一公司的创新。