社区

最近突然冒出来一个新模型，叫Jev。

速度动不动就是主流大模型的几十倍、上百倍，价格还低得像不要钱。看着这些Demo，很容易产生一种感觉：

GPT、Claude又要被掀桌子了？

但真把它拆开看，会发现这事儿被吹得有点邪乎。

· · ·

真的是在同一场比赛里吗？

上线不到一周，网上各种炫酷Demo。

有人拿它打DOOM，战斗时能做到一秒十来次判断，露头就秒，有人让它 40 秒分析几百条广告，还有人拿它搭自动驾驶模拟Demo。

游戏、广告、地图、自动驾驶，什么都能插一脚。

“几百毫秒返回”“速度吊打 Claude”“成本只有几百分之一”，看起来简直是专门来砸GPT、Claude场子的。

可问题是，它们真的是在同一场比赛里吗？

· · ·

还掀不了桌

其实Jev和GPT、Claude根本不是一类模型。

GPT、Claude属于我们熟悉的大语言模型。你让它写文章，它能自己生成一段文字；让它写程序，它能直接生成代码。整个过程是一点点往外写，一个token一个token地接下去。

Jev走的是另一条路，叫System One Model。

它不负责自由生成文字，也不负责写代码。它的输出基本就三种：

Choice：提前给它几个选项，它选一个。Score：提前定好一个范围，它给出一个分数。Noul：问它一件事成立不成立，它给出概率。

它现在像一个AI化的if-else：它不会像GPT-6一样直接给你写出一大段新代码，也不能写文章、做开放研究，更没法自己把一个软件系统从零搭起来。很多看起来很炫的Demo，真正干活的依然是外围代码、现有工具，或者其他模型。

就像前面DOOM的案例，其实靠的是程序员先把信息整理好：现在还有多少血、多少弹药、敌人在哪、角色处在什么位置，再把这一刻能做的动作提前列出来，比如前进、转身、开枪、换武器。

这些都准备好以后，再交给Jev。它选一个动作，外面的程序再真正执行。

所以这样看下来，Jev还是取代不了这些主流模型。

· · ·

但它确实有自己的位置

Jev 把生成能力砍掉以后，换来的就是一件事：判断又快，又便宜。

而现实里有太多工作，本来就不需要AI给你洋洋洒洒写一篇东西。

比如筛简历。公司一次收到几千份申请，真正需要做的是判断有没有相关经验、和岗位匹不匹配、要不要进入下一轮，再把不同候选人分到对应岗位。

还有人拿Jev整理300封杂乱邮件，把每封邮件自动分到对应的15个部门。9.9秒全部发牌入槽，总成本只有0.036美元。

Jev 这种模式天然适合把原来很贵的“智能判断”，铺到非常大的数据量上。

甚至大模型自己，也可以成为它的审核对象。

比如写代码。今天用Claude、Codex做项目，很多时候是自己写、自己检查，发现问题再自己改，不但可能把前面的判断盲区一路继承下去，每检查一次还要重新读上下文、推理、生成，又慢又贵。

Jev可以直接插在中间。

Claude负责写，Jev负责查。正确性有没有问题？测试够不够？有没有安全风险？这一版能不能继续往下走？

不过，就打回去继续改；过了，再进入下一步。

再往前一步，它甚至可以负责调度模型。

一个任务来了，先判断难度、类型和风险：简单的交给便宜模型，复杂的再叫最强模型，风险太高直接转给人。

Agent做到一半，也可以判断下一步该调用哪个工具、哪个模型，还是应该直接停下来。Jev本来就被设计成可以嵌入软件工作流，做分类、路由、评分、验证和分支判断。

过去大家一直在追求一个什么都会的超级模型，规划、生成、检查、执行全包。

Jev提供的是另一种思路。结合起来，效果没准更好。

· · ·