公司

智能家居社区Home Assistant近期上线了一款名为HA-Jev的插件。

它的运作机制十分简洁：传感器监测洗衣机的功率变化以及洗衣房门的开关状态，随后向模型提出一个问题——“洗衣机完成了洗涤，衣物是否被遗忘在内？”模型不输出任何文字分析，仅返回一个概率数值。当置信度超过0.8时，手机便会推送一条取衣提醒。

HA-Jev的唯一用途是提醒用户，洗好的衣服是否还留在洗衣机里｜图片来源：pitchhut

一次判断耗时几十毫秒，成本仅为0.000015美元。

插件开发者在论坛中留下一句发人深省的话，“我过去一直在用大语言模型回答那些根本不需要它来回答的问题。衣服有没有忘记拿是一个判断，而不是一篇八股文。”

这句话精准地击中了当前生成式AI的软肋。过去四年，整个行业几乎将所有算力、资本和工程资源都倾注于“教模型说出更流畅的人话”上。大家习惯于使用百亿甚至千亿参数的庞大模型，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从中提取所需答案。

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”的模型没有输出能力，不生成任何文字，只输出概率判断。

上线仅数天，全球开发者围绕它疯狂创建了近五百个开源项目。这或许是继Openclaw之后，

大家突然意识到，一旦剥离大模型的表达欲，原本昂贵而臃肿的AI应用，瞬间变得轻快如风。

01

大模型的“神经元”

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帮你盯监控，那么开发者们现在用Jev所做的事情，更像是给流水线装上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，这种变化几乎是颠覆性的。

过去开发者处理超长上下文，最常用的手段是让大模型做摘要。开发者Tamara Tran换了个思路，写了一个Jev插件用于压缩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。

用Jev插件压缩Claude Code的上下文｜图片来源：X

结果极其夸张，接近100万token的臃肿上下文，在1秒钟内被精简到8.6万，整个过程模型没有输出一个字符。这里的洞察非常朴素：摘要是昂贵的生成行为，但过滤只是一次冷酷的判断。

类似的颠覆也发生在移动端自动化上。

使用mobile-jev操作手机｜图片来源：jevfast.com

Droidrun团队制作了一个名为mobile-jev的手机操作代理。在一段流出的演示中，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。

整个流程没有调用过任何传统的文字生成大模型，文字输入是直接从用户指令中截取的纯文本片段，而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。

除了操作界面，开发者们甚至把它嵌入到最古老的基础设施中。

GitHub上很快涌现出pg-jev和duckdb-jev。开发者开始用自然语言，直接对数据库的行数据进行实时概率过滤和排序。在Ruby社区，有人直接把判断封装成了原生控制流语法，代码写出来就像是给程序赋予了直觉。

使用Jev打“星际”已经成了一系列Github项目｜图片来源：Github

在游戏领域，有人让Jev操控模拟器状态去玩超级马里奥，有人让它驱动《毁灭战士》里的守卫，甚至有团队把它接入《星际争霸》完成了首个战斗任务。游戏需要的是几十毫秒内的操作决断，以往的大模型连第一帧的思路都还没理顺，游戏角色早就阵亡了。

甚至，在数据清洗这类脏活累活上，差距也大到令人吃惊。

一位开发者手头积压了三个月的产品匹配数据，共计9081条。早在六月份他就用主流大模型测算过，昂贵的API费用让他直接放弃。换成Jev后，他用一个晚上写了150行脚本，整个任务13分钟跑完，总账单只有32美分。

当大模型不再假装自己是一个博学的人类，AI才能真正嵌入自动化软件的毛细血管。

02

杰文斯悖论

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）。

经济学上著名的“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，单月成本在120美元左右。而在以往，如果使用同等准确率的顶级推理大模型做这套流程，每月账单会直奔3.5万美元。

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。

用Jev做SEO速度惊人｜图片来源：X

在内容分析领域，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，布设了五百多个链接，总共花费21美分。在过去，如果让顶级大模型来做这件事，同样的时间里连二十个页面都读不完。

那位创始人的感叹切中了本质，“这不是内容创作，这只是8790次判断该连还是不该连的决策题。”

这也解释了为什么创始人Diogo Almeida在离开OpenAI时会留下那句感叹，“我们手里握着一道闪电，但它却没那么好用。”

作为参与过构建ChatGPT、共同发明RLHF的核心研究员，Almeida的反思带着一种行业局内人的冷酷。在他看来，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。过去四年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。

Pi框架的CTO Armin Ronacher谈到这一现象时直言不讳，“我们早该意识到这一点的。只因为此前主流大模型一直被风投资本补贴得极为廉价，大家都习惯了挥霍，没人愿意去做真正的创造性思考。”

一旦这种廉价幻象被打破，架构设计的转向便不可逆转。

大模型，正在退回它原本该在的位置。

它不应该当中央处理器，它更适合做前端的公关发言人。在未来的系统架构里，海量的毫秒级判断交给便宜得像自来水一样的直觉模型，只有在真正需要向人类用户输出成段文字、提供情绪价值或者起草复杂长篇报告的极少数节点，才需要把那个昂贵的生成式模型唤醒。

03

“判断”和“生成”分家

回看过去三年的AI叙事，主线一直是“大模型越来越大、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，什么都会。整个行业默认“智能”是一块铁板，不可拆分。

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，有些只需要快速判断。把两者绑在一起，是一种结构性的浪费。

Jev的大火，点燃了开源社区的热情｜图片来源：Google DeepMind

Jev上线仅一天，开源社区就已经跟进。vLLM贡献者用Google的DiffusionGemma迅速搞出了开源版本，初步测试准确率接近官方。这说明“判断模型”作为一个品类已经成立，而不仅仅是一家公司的产品创新。

更值得注意的是下游的架构变化。在Jev催化的新范式里，一个AI系统不再只有“一个大脑”，而是开始出现分工：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、起草复杂文档的少数节点，才唤醒那个昂贵的生成式模型。

这不是降本增效，这是AI基础架构从“中央集权”，走向“分布式分工”的起点。

当一个判断的成本从几美分降到万分之一美分，开发者不是把原来的100次判断做得更便宜了。他们开始做10000次以前根本不会做的判断。给每条数据库记录加一个语义过滤器，给每次工具调用加一个安全审查，给洗衣机加一个“衣服忘拿了吗”的判断。

这些不是现有工作的优化版本，而是全新的智能消耗场景。

所以，你会用Jev来做什么创新？

本文来自微信公众号“极客公园”（ID：geekpark），作者：宇航猿，编辑：靖宇，36氪经授权发布。