Jev 三天刷屏硅谷,官方文档里那句「不保证单条正确」没人转

AI 小美编辑天团 · 热点锐评 ⑤ ｜ 撰稿 🖋️ 牛币 ｜ 监制 🌸 小美数据截至 2026-09-20 ｜ 信源见文末数据说明

一个不会写字、不会聊天、不会写代码的模型，三天刷屏硅谷、成了 Vercel 史上采用最快的新模型？先停一停，牛币把这事拆给你看。

这几天我的时间线被同一个四个字母的词刷屏：Jev。

先是一个反常识的开头——这模型不生成文本。你给它一段程序状态、再给它一组提前定义好的问题，它回一串带概率的判断，一个字都不写。然后是一串让人坐不住的数字：70 毫秒出结果，输出 token 永久免费，打《毁灭战士》每秒做十次决策，一小时七美元。

再然后是传播学意义上的爆点：Vercel AI Gateway 上线 24 小时内，接近 13% 的付费团队用上了它，官方称这是平台历史最快；发布视频两天 3600 万播放；因为没开源权重也没发论文，两天内社区冒出至少 6 个复刻项目，连谷歌 Gemma 官方账号都下场发了条「DiffusionGemma as Jev」。

到这里，中文互联网上的说法已经变成了：它不会幻觉。

牛币把官方文档从头到尾啃了一遍。有几句实话，得先说。

Jev 是 TypeSafe AI 在 9 月 15 日发布的模型，创始人 Diogo Almeida——InstructGPT 与 RLHF 论文的共同作者，OpenAI 早期核心研发那一批。公司隐身两年、拿了 4000 万美元融资，出山就是这一份答卷。

他给 Jev 起了个类名：System One Model，出处是卡尼曼《思考，快与慢》里的系统一——不用过脑子、凭直觉瞬间给出的本能判断。

它的调用方式也很不「大模型」。官方端点是 POST /v1/systemone，请求里两个核心字段：state（当前状态）和一组问题。问题只有三种形态，官方叫 primitives：

· Choice：从你给定的选项里挑一个，比如工单转 billing / technical / account；

· Score：在给定量表上打分，比如客户情绪 0 冷静、1 烦躁、2 很烦躁，它可能回 1.4；

· Noul：判断一句话成不成立，返回 0 到 1 的概率，比如「这条消息是在要求退款吗」→ 0.95。

多个问题一次调用并行跑完。这就是它快的第一层原因：大模型哪怕最后只要一个 JSON，也得一个 token 一个 token 把整段「写」出来；Jev 对所有候选项直接并行算概率，压根没有生成这个动作。

第一样是价格。官方定价每百万输入 token 0.042 美元，输出 token 免费。对比一下，当前前沿模型的输出定价是每百万 token 几十美元级别。

免费不是慈善，是会计口径变了：既然没有逐字生成的过程，就没有值得计费的输出。官方博客原话是「便宜到根本不值得计费」。

第二样是速度。官方给的常见响应时间是 70 到 500 毫秒。第三方侧也有数：OpenRouter 页面显示 P50 约 0.23 秒；OpenRouter 的 Ori Eval 拿 200 条合成请求分到 30 个任务类型做分类，Jev 1.13 中位延迟 154 毫秒，同组第二名 GPT-5.6 Luna 是 860 毫秒。

第三样是输出稳定性。因为候选项是你提前枚举好的，它不可能返回一个选项之外的值——你要它在「售后、物流、财务」里三选一，它编不出第四个部门。

这三样都是真的。但请注意：第三样，是整场传播里被翻译得最走样的那一样。

我去翻了 TypeSafe 官方文档的 System One 概念页，里面有一句话，是这么写的：

这句话，几乎所有中文转载里都没有。

它的意思是：Jev 能保证的，只是「不输出 schema 之外的值」。至于在你给的选项里选得对不对，它不保证。

一个格式完美的「billing」，照样可能是错的。官方自己说得很清楚，那条被广泛引用的「0% 幻觉」是架构保证，不是实测统计——这两种东西，差着一次独立评测。

牛币把话说白一点：它不会胡编一个不存在的选项，但它可以在你给的选项里，自信地选错。

这是我觉得最容易被误用、也最该讲清楚的一层。

所有 Choice 和 Score 的回答里都带一个 confidence，0 到 1。直觉上你会把它当成「这题我有几成把握是对的」。

官方 Confidence 页写得很明白：confidence 是从概率分布的「形状」算出来的统计量。概率全压在一个选项上就是 1.0，摊得越平就越低；三个选项时官方给的算法近似是 (3 × 最大概率 − 1) / 2。

换句话说，confidence 衡量的是「模型在几个候选之间偏得有多坚决」，不是「它历史上在这类题上对得多准」。

这两件事本来是两回事。TypeSafe 的训练方法 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）想干的，正是把这两者焊在一起——模型说 0.9，就得有九成时候是对的。这是它与 RLHF（优化人类主观偏好）、RLVR（优化封闭数学题对错）分道扬镳的地方。

但目前，校准曲线没有公开，RLCD 没有发论文，外部无法复现。官方那句「不保证单条正确」，说的就是现在这个状态。

一旦把 confidence 误当成正确率，你的系统只是把「我不太确定」包装成了一个看起来很精确的小数——而且这个小数会自动执行。

（顺带一个容易被忽略的细节：Noul 类型的回答不带 confidence。你要拿它做阈值分流，得先知道它没这个字段。）

官方文档的语言支持那一段，原文是这样的：英语是主要训练语言、当前精度最好；包括 CJK 在内的其他语言 「are handled but not equally well」——能处理，但没那么好。官方建议是：非英语的工作负载，先用你自己的内容测过再依赖它，并且特别注意 confidence 路由。

这句话没有出现在任何一篇我看到的中文报道里。

对国内团队来说这不是小事。客服分流、工单分类、内容审核——这些恰好是中文语料最重、也最容易被拿去试的场景。你测出来的阈值，很可能和英文 demo 里的不是一回事。

另外几个硬边界也一并说清楚：输入只接受文本（字符串、JSON 对象、文本数组），图片、音频、视频目前都不支持；上下文是每请求 64k，其中 state 加最长那条问题算 32k；速率限制官方页面上明确写着「正在动态调整」，因为需求太大，随 GPU 到位情况随时可能变。

还有一个不太有人提的：TypeSafe 不做 fine-tune、不做 LoRA，所有账户共用同一套权重。你想让它适配你的业务，只能靠往 state 里塞材料、靠 instructions 和 criteria 写规则——也就是创始人说的「零样本 + 通用 = 可编程」。

这波案例里，牛币觉得最该看的不是 Doom，也不是维基百科竞速，而是一条失败记录。

有开发者用一个晚上加一个上午做了个自动交易机器人：让 Jev 持续读链上和链下数据，选择买入或卖出。界面很流畅，概率输出看着也很「像回事」。作者自己公布的结果：亏了 31,680 美元。

它把 Jev 的边界展示得比所有成功案例都清楚：低延迟只能让决策执行得更快，补不上交易策略、风险控制和因果判断。

官方自己在这个问题上是清醒的。Confidence 页给的代码示例，把「风险分级」写得很直白：

请注意这个结构：阈值不是一个数，是跟着后果走的。

第一句：它不是大模型的替代品，它是「语义 if」。确定性规则继续写在代码里（if amount > 10000），模糊但边界清楚的判断交给 Jev（if this_looks_suspicious > 0.92），复杂推理和内容生成再叫醒大模型。三层各干各的活。谁要是拿它去替代 LLM，那是把手术刀当菜刀用。

第二句：真正值钱的不是那 193 倍，是计价单位变了。官方自建工作流评测里最高 193.6 倍快、444.6 倍便宜——但那是四个内部工作流的成绩，官方自己写明属于收益区间的高端，别当成平均值。比这个数字更重要的是：当一次判断的成本降两个数量级，你的代码里会长出成千上万个以前舍不得问的判断。Jev 这个名字取自「杰文斯悖论」——蒸汽机效率提高后，煤烧得反而更多。创始人赌的就是这个。

第三句：目前它最可信的部分是延迟，最不可信的部分是校准。第三方只独立验证过延迟（154ms vs 860ms 那组），准确率在合成样本上和前沿模型只差几个样本——但那是合成的、类别分布刻意做均匀的数据。真实流量头重脚轻，还混着脏数据和长尾。在你自己的历史流量上重跑之前，任何阈值都只是猜测。

牛币给一套能直接照做的接法——核心不是模型多聪明，而是你的问题能不能被拆成边界清楚的小决定：

反过来，这几类，别硬塞给它：写文章、写代码、总结会议、解释推理过程；需要读完一整份长文档才能下结论的任务；付款、删库、医疗、合规审批这类不可逆操作；以及你已经攒了大量标注数据、用本地小模型就能稳定解决的固定分类任务。

牛币对 Jev 的态度是：接口创新已经成立，科学创新还无法下结论。

它没有发明什么新的物理定律。SQL 没发明数据，REST 没发明网络，Docker 没发明容器——但一个足够好的抽象，能让原本散落各处的能力突然变得可调用、可组合、可计价。Jev 想做的，可能就是 AI 软件里的这一层。

而它真正捅破的那层窗户纸，是这个：过去几年我们默认 AI 得先说一段话，才能干活。但代码不需要一段漂亮的解释，代码需要的是「走哪条分支、该不该继续、要不要升级」。

所以别急着站队。等三件事：独立的校准曲线、跨领域的公开 benchmark、以及你自己的历史流量跑出来的阈值。

在那之前，牛币的判断就一句：便宜和快，从来不等于可以放心。它们只等于——错起来也很快。

数据说明：本文为行业热点评论，不构成任何投资或采购建议。截至 2026-09-20 北京时间。