ARTICLE · 1058617
一个不会说话的AI,凭什么刷屏硅谷?
一个不会说话的AI,凭什么刷屏硅谷?
朋友，最近AI圈出了件挺有意思的事。 一个叫 Jev 的模型火了。火到什么程度呢？上线 Vercel AI Gateway 24小时，就有接近13%的付费团队用上了它——这是 Vercel 平台历史上采用速度最快的新模型。 但你猜怎么着？这个模型一句话都不会说。 你问它任何问题，它都不会写一段回答给你。它不聊天、不写代码、不写文案、也不解释。它只会做一件事——判断。 给它一段材料，再给它几个选项，它直接告诉你选哪个、有几成把握。就像考试里做选择题，它不写解题过程，直接涂答题卡。 听上去是不是有点反直觉？大家都在往"更聪明、更会说、更全能"的方向卷，突然冒出来一个"哑巴AI"，还火了。 今天我们就来聊聊，这个不会说话的AI到底是什么、为什么会火，以及它背后那个可能改变整个Agent行业的信号。 先把概念搞清楚。 Jev 是一家叫 TypeSafe AI 的旧金山创业公司发布的产品。创始人叫迪奥戈·阿尔梅达（Diogo Almeida），前 OpenAI 研究员，参与过 GPT-4 和 InstructGPT 的研发——说直白点，ChatGPT 的前身就有他的功劳。 公司隐身研发了两年，出来的时候带着 DCVC 领投的4000万美元种子轮。在硅谷，这个配置加上这个背景，本身就足够让人多看两眼了。 但真正让它刷屏的，是它给自己贴的标签：System One Model（系统一模型）。 这个名字来自诺贝尔奖得主丹尼尔·卡尼曼的经典著作《思考，快与慢》。书里说，人的大脑有两套系统： 过去这三年，所有大模型都在卷"系统二"——推理能力越来越强，写的文章越来越长，思考链越来越深。GPT 从初代走到现在，核心就是越来越会"想"。 Jev 走了一条完全相反的路：它不做系统二，专做系统一。 它的用法很简单。你给它两样东西： 它支持三种问题类型，官方叫"AI原语"： 重点是：它不会解释为什么，不会写一段分析给你看。它直接返回结构化的数字结果，你的程序拿来就能用。 而且，多个问题可以一起问，延迟几乎不增加。问一个问题和问四个问题，耗时差不多。 你可能会说：等等，这不就是分类模型吗？风控模型、审核模型不都是干这个的？ 还真不太一样。我们来拆解几个关键差异。 传统大模型的收费方式是按 Token 算——你输入多少字、输出多少字，分别计价。输出通常比输入贵好几倍。 Jev 的收费方式是：输入按 Token 收费，输出免费。 因为它根本不"输出"文字，它只输出一组概率数字。根据官方数据：输入百万 Token 只要0.042美元，端到端延迟70到500毫秒。 这个差距有多大呢？根据 TypeSafe 自己的对比：
速度最高快200倍，价格便宜几十到上百倍。 这个差异的本质是什么？大模型卖的是"顾问服务"——每次调用都相当于请一个顾问写一段分析。Jev卖的是"电子元件"——一次判断就是一个零件，你可以在代码里调用它一万次。 零件可以进采购清单，可以算单位经济账，可以塞进一行代码里跑上亿次。这是完全不同的商业模式。 Jev 宣传自己"幻觉率为0%"，这句话很容易被误解。 它不是说自己永远判断正确——它完全可能选错选项。它说的"零幻觉"是指：它绝不会给出你选项之外的答案。 举个例子，你让传统大模型用JSON格式返回分类结果，它可能时不时给你写一段解释、或者字段名拼错、或者多输出一个逗号。这些问题在生产环境里非常头疼——你得写大量容错代码。 Jev 不会。因为它的输出空间是提前限定死的，从数学上就不可能跑出你定义的 schema 之外。它不会编造不存在的选项，不会拼错字段名，不会输出格式错误的JSON。 用官方的话说："它可以自信地选错，但不会自信地胡说八道。" Jev 用的训练方法叫RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）。 这个名字有点绕，核心意思是：它说有70%的把握，那就真的大约70%的时候是对的。 听上去理所当然？其实不是。普通大模型说"我很确定"的时候，这句话本身并不附带刻度。它可能90%确定但其实只有60%准，也可能50%确定但其实80%准。 这在生产环境里是个大问题——你没法信任模型给你的置信度，就没法用它来做自动化决策。 RLCD 就是专门解决这个问题的：让模型的概率输出经过校准，"说几成就是几成"。 这件事的价值，做过AI产品落地的人应该能懂。 Jev 能爆火，不是因为它技术有多炫，而是因为它精准地踩中了当下AI行业最痛的那个点： Agent 太费钱、太慢、太脆了。 我们来想一下，一个 Agent 在执行任务的时候，80%以上的操作是什么？ 不是深度推理，不是写长篇大论，而是各种琐碎的判断： 每一次这样的判断，现在的做法都是：调一个大模型，让它写一段话（或者一段JSON），然后你的程序再把答案解析出来。 这就好比你去问前台"请问三楼怎么走"，前台先给你写了一篇300字的建筑布局分析，最后才告诉你"左转乘电梯上三楼"。你还得从300字里把答案抠出来。 又贵，又慢，还容易格式错。 Jev 的价值就在于：它把"判断"这件事从"生成"里剥离了出来。 该让大模型干的事——规划、推理、写代码、写方案——继续让大模型干。 该让判断模型干的事——分类、评分、选选项——就交给便宜又快的 Jev。 这就是所谓的"快慢脑分工"：系统二负责想清楚，系统一负责高频执行。 这个思路一出来，Agent 的成本结构就变了。 举个实际例子，国内的 APUS 团队已经基于这个思路做了开源复现——他们用 Qwen3.5-9B 模型跑浏览器自动化 Agent，把"点哪个元素"的判断交给本地小模型，跳过自回归解码，直接一次性前向计算出结果。 效果怎么样呢？在一台 M2 Pro 的 MacBook 上，全程离线，做维基百科检索任务中位耗时18秒，表单填报只要3秒。单任务模型打分只需要4次，全程零云端调用、零API费用。 这就是"判断层"独立出来之后的能量。 聊了这么多好处，也得说说它的边界。Jev 不是来取代大模型的，它补的是另一个位置。 Jev 擅长的是"直觉判断"，不是"逻辑推理"。它没法做需要多步推演的事。 有个 Browser Use 的创始人做了测试：让 Jev 执行长程浏览器交互任务，结果20次只成功了1次。而具备推理能力的 GPT-5.6 Luna 能做到17/20。 原因很简单：浏览器操作涉及状态搜索、路径回溯、遇到意外情况的调整，这些都是系统二的工作，不是系统一能搞定的。 官方文档明确标注了：CJK（中日韩）语言的准确率偏低。英文短文本表现最稳定，中文场景建议先拿自己的数据测一测。 这个倒也不意外——很多模型都是先在英文上验证，再逐步优化多语言。 传统大模型答错了，你能从它的回答里看出逻辑漏洞。Jev 呢？它给你一个95%置信度的选项，错了就是错了，你不知道它为什么错。 这是判断模型的天然特性：黑箱式输出，没有推理过程供你审查。 所以越是高风险场景，越不能全靠它。它更适合量大、容错率高的场景——比如客服分类、内容初审、异常检测、Agent 的中间状态判断。 TypeSafe 自己也承认：目前无法证明定价不依赖补贴。简单说就是——现在可能是赔本赚吆喝，等用户量上来之后会不会涨价，不好说。 不过这个倒也正常，新产品进入市场先用低价抢份额，是常见策略。 Jev 的爆火，表面上看是一个新品类模型的走红。但往深了想，它其实折射出整个AI行业正在发生的几个重要变化。 最早的 Agent 就是一个大模型从头干到尾——规划、执行、判断、反思，全是它。 后来有了"专家模型 + 路由"的思路，不同的任务分给不同能力的模型。 现在又进了一步：连同一个任务内部，也开始按认知层次拆分。规划层用大模型（系统二），执行层用判断模型（系统一），工具调用层用专用接口。 这很像人类大脑的进化——不是大脑整体变聪明了，而是分化出了不同功能的区域，各管一摊，协同工作。 过去三年，整个行业衡量AI需求的核心指标是 Token 消耗量。"Token 就是 AI 时代的发电量"，这句话我们听了很多遍。 但如果判断模型开始普及呢？大量高频、低复杂度的判断从通用大模型手里切走，Token 消耗量这个指标就开始失真了。 因为判断模型的输出不收 Token 费，它按"次"收费。一次判断就是一次调用，和输入多少字有关，和输出多少字无关。 这意味着，未来可能会出现新的 AI 计量体系。Token 仍然重要，但不再是唯一的、甚至不再是最核心的衡量指标。 通用大模型的推理需求是"长输出、能忍几秒"——用户愿意等模型慢慢写完。 判断模型的推理需求是"短输入、高并发、必须毫秒级返回"——一秒钟要处理上万次判断，每次都得立刻出结果。 这两种需求对应的硬件架构、调度策略、数据中心设计，可能完全不一样。 这也是为什么英伟达、华为、移动云这些公司都在探索异构推理架构——不是所有场景都需要堆GPU，按计算特征分工才是未来。 Jev 火了没几天，国内就冒出了开源复现版。而且底座用的就是阿里千问的开源模型。 这说明什么？判断模型的"壳"很容易复制，核心壁垒是那个校准训练方法（RLCD）。壳子谁都能做，但要做到"说80%就是80%"的概率校准，可能需要大量的工程和数据积累。 但反过来想，对于大多数企业来说，可能也不需要那么精准的校准——能干活、够便宜、自己可控，就够了。 开源模型 + 业务场景微调，可能会是判断模型这条路线上的主要竞争形态。 朋友，为什么我觉得 Jev 这件事值得专门写一篇？ 因为它不是又一个"更大、更快、更强"的模型版本更新。它带来的是一种思路上的转向——AI 不一定非要越来越全能，不一定非要什么都能说、什么都能干。 有些场景，AI 越沉默，越有价值。 这就像杰文斯悖论（Jev 的名字就取自这里）：蒸汽机效率提高了，每吨煤更便宜了，结果煤炭的总消耗反而涨了——因为便宜的动力被用到了更多地方。 判断也是一样。当一次AI判断只要万分之一美元、几毫秒就能出结果的时候，软件里会冒出大量以前根本不值得用AI的判断点。邮件分类、工单路由、异常检测、内容审核、风控筛查、Agent中间状态……这些以前靠写死规则或者人工做的事，突然变得可以用AI了。 判断层会像数据库、像缓存一样，变成软件架构里的一层默认基础设施，藏在每个应用的最底层。 这可能才是 Jev 真正的意义——它不是来抢大模型的饭碗的，而是来把 AI 往更深、更广的地方铺的。 大模型负责想清楚，判断模型负责跑得快。 一个负责深度，一个负责广度。 一个负责创造，一个负责执行。 快慢脑协作的AI时代，可能比我们想象的来得更快。 好了，今天就聊到这儿。你觉得"系统一模型"这个方向靠谱吗？你所在的行业里，有没有大量高频判断的场景可以用这种方式来优化？欢迎留言聊聊。
一、Jev到底是个什么东西
系统一：快速、直觉、自动化的判断。比如你一眼就能看出"这个人在生气"，不需要思考。 系统二：慢速、理性、需要集中注意力的深度推理。比如让你算一下"17 × 24等于多少"，你得一步步来。
state（状态）：要判断的上下文，比如一封邮件、一条工单、一段程序日志 questions（问题）：预先定义好类型的问题，可以同时问多个
Noul（是/否）：给一个判断，返回0到1之间的概率值。比如"这封邮件是不是紧急的？" Choice（多选一）：从最多255个选项里选一个，返回每个选项的概率分布。比如"这个工单该分给哪个部门？" Score（评分）：在2到10级的量表上打分，可以落在两个等级之间。比如"用户的愤怒程度是几级？"
二、为什么说它"不一样"
1. 计价单位变了：从"卖字数"到"卖判断"
2. "零幻觉"到底是什么意思
3. 校准：概率要"诚实"
三、Jev 真正火的原因：戳中了 Agent 的痛点
下一步该点哪个按钮？ 这个页面是不是我要找的？ 这封邮件算不算投诉？ 这段代码有没有bug？ 要不要继续执行下一步？ 这个文件需不需要修改？