3500 万人围观的 Jev：一个不说话只拍板的 AI，把决策成本打到了四美分

你有没有遇到过这种情况：让 AI 帮你判断一件小事，它回你三段话——先说两种做法各有优劣，再列三个考虑维度，最后说"具体取决于你的实际情况"。

你读完了，但你还是不知道该走哪条路。

你要的其实只是一个字。走，还是不走。左边，还是右边。这条工单给张三，还是给李四。

最近外网刷屏的模型 Jev，干的就只有这一件事。它不写文章，不写代码，连一句完整的话都不会生成。你把当前情况交给它，它把判断还给你，附带一个概率数字。整个过程通常不到半秒。

首发那条推文在 X 上的浏览量很快破了千万级，评论区挤满了"这不就是个分类器吗"和"等等，这个思路好像真缺了很久"两种声音。吵得很凶，这本身就是个信号。

这篇文章不讲 AI 哲学，我们把 10 个真实案例拆开，看清楚一件事：模型不一定非要变大、变全能，把某一类活做到极致，也能成为一个新品类。

先说清楚：它不是小号 GPT

很多人第一反应是"这不就是个便宜的小模型"。差得挺远。

GPT、Claude 这类大语言模型的工作方式是一个字一个字往外吐。哪怕只是问它"该往左还是往右"，它也要先在内部生成一段分析，再组织成句子，最后你还得从那段话里去解析出真正的答案。

Jev 完全跳过这一步。它不生成任何自然语言答案——准确说，它没有能力输出你设定之外的答案。

你给它一份"当前状态"，再给它一组你预先定义好的问题，它一次性并行回答完，每个答案都带着概率。它不能自由发挥，所以它也不会编造。

打个比方可能会更好懂：

大模型像一个顾问，你问他一句，他写一份报告。Jev 像一个判官，你问他一句，他敲一下法槌。

报告读起来舒服，但你要是自己装修房子、走错一步就要砸墙，你要的其实不是报告。

造它的人，正是当年教 ChatGPT 说话的人

这家公司叫 TypeSafe AI，2024 年在旧金山成立，隐身了整整两年。

创始人名叫迪奥戈·阿尔梅达（Diogo Almeida）。这个名字你可能不熟，但你用的每一个聊天机器人身上都有他的手笔——他在 OpenAI 期间是 InstructGPT 论文的共同作者，也是人类反馈强化学习（RLHF）的发明人之一。那套技术让 GPT 学会了"说人话"，是 ChatGPT 能诞生的地基之一。

有意思的反转就在这儿：

当年让 AI 学会说话的那个人，转身做了一个不会说话的模型。

他离开后公开表达过某种失望——RLHF 很强，但它优化的是"人觉得这段回答好不好"，而不是"这个判断对不对"。这两件事在决策场景里差得很远。一段回答写得漂亮，不代表它选对了。

所以 TypeSafe 自研了一套训练方法，叫 RLCD（Reinforcement Learning for Calibrated Decisions），翻译过来是"面向校准决策的强化学习"。名字拗口，目标只有一句：让模型给出的概率，和它实际的正确率对上。

2026 年 9 月中旬公司出隐身状态的同时，宣布拿了 4000 万美元种子轮。这笔钱的规模本身也说明投资人认可了这个品类。

它只会答三种题：选哪个、打几分、是不是

这是最容易被忽略、但最影响你怎么用它的地方。Jev 只接受三类提问：

Choice（选择题）——从最多 255 个选项里挑一个。比如一张客户工单该转给销售、技术还是退款组，三个答案各自带一个概率。

Score（打分题）——按你定的量表打分。比如评估一条投诉里客户的火气值，0 到 5 分，出个具体分数。

Noul（判断题）——输出一个 0 到 1 之间的概率数字。"这条内容是不是广告？"答 0.87。这个名字来自伯努利分布，Noul 是 No/Yes 的变形。

关键在于：一次调用可以同时问好几个问题，而且是并行的。

同一条帖子，你可以一次性问它：是不是 AI 生成的？是不是广告？是不是在讲融资？客户的火气值是多少？该转给谁？五个问题一次返回，耗时几乎跟问一个问题一样。

这一点彻底改变了成本的计算方式。过去你为了省事把五个判断塞进一个大模型的 prompt 里，等它吐一坨 JSON 回来再解析——慢、贵、还时不时格式错乱。

它的技术方案也不走常规路：训练数据全用合成数据，架构上采用并行采样，一次前向传播答完所有问题，完全跳过自回归解码。代价是它彻底告别了文本生成；收益是结构化输出的错误率理论上为零。

真正值钱的不是快，是「说 90% 就真有 90%」

速度和价格当然夸张。官方公布的端到端延迟在 70 到 500 毫秒之间，输入价格 每百万 Token 0.042 美元，输出完全免费。当前版本 jev-1.13.0，支持 64k 上下文。

注意输出免费这条——因为它的输出就那么几个字节的概率值，收费也没有意义。

但如果只盯着这两个数字，你会错过它最值钱的特性：校准。

什么叫校准？如果模型说"我有 80% 的把握"，那么在长期的统计里，它这种判断的正确率就应该真的接近 80%。

这句话听起来平平无奇，实际上是把 AI 从"能聊"推向"能用"的分水岭。

因为一个校准过的概率，是可以当阈值用的。你可以在代码里写死一套流水线：

• 置信度高于 0.90 → 系统自动执行，不打扰任何人
• 置信度在 0.70 到 0.90 → 转给更强也更贵的大模型复核
• 置信度低于 0.70 → 转人工

一级自动，一级 AI 复核，一级人工兜底。这才是把 AI 放进真实生产环境的标准姿势。

而没有校准的普通大模型，它给你的"我很有把握"只是一个语气的强弱，跟实际准确率没有对应关系。你没法在它上面架这道闸门。

可以说，Jev 卖的不是推理能力，是一条可执行的自动化分流线。

玩法一到三：让 AI 一口气跑 50 局游戏

游戏是天然的试验场——规则清晰、反馈即时、决策密集。网友们最先下手的地方也就在这儿。

第一个：同时在 50 局《地铁跑酷》里做决策。 前方出现障碍，模型要立刻判断换道、跳跃还是下蹲。这位开发者直接开了 50 局并行，跑完这一批的成本不到 1 美分。

单次换道是一个小得不值一提的判断。但游戏要连续不断地做几千次。次数一多，单次的速度和价格就从"无所谓"变成"决定能不能做"。

第二个：玩《超级马里奥兄弟》。 规则更清楚：往前走，遇到敌人和坑洼做反应。这类任务里，动作之间的等待时间会直接反映在画面上——模型一卡，马里奥就掉坑里了。视频里那种连贯感，比任何 benchmark 都直观地说明了"实时"两个字的分量。

第三个是中文开发者 paulwei 的案例。 他把 Jev 接进了《杀戮尖塔 2》。在此之前他试过用 GPT-6 Astra 代打，换成 Jev 之后报告说：一次行动的思考时间约 0.7 秒。

0.7 秒是什么概念？你还没看清屏幕上冒出的新牌，它已经操作完了。

等待时间一缩短，代打的体验就从"看 AI 慢慢想"变成了"看 AI 在打"。这不只是爽不爽的问题——当 AI 的反应速度超过人的观察节奏，它就第一次真的像一个"陪你玩的人"，而不是一个你每隔几秒去点一下的工具。

玩法四到五：开车，和把火箭送上天

第四个玩法：三维城市里的模拟自动驾驶。 演示者说整套东西从零搭起来不到一小时。

它的循环很朴素：画面状态传给模型 → 模型判断下一步 → 车辆执行 → 新的画面再传回来 → 再判断。在模拟器里这个循环不断重复，就变成了视频里那段连续的行驶画面。

必须说清楚：这只是模拟器里的演示，跟真实道路的驾驶能力是两回事。 真实路况的变量多出几个数量级，目前没有任何证据表明这条路走得通。但对做强化学习和仿真的人来说，"一小时搭出一个能跑的控制回路"本身就是极具价值的基础设施。

第五个玩法是我个人最喜欢的一个：让 AI 控制火箭发射和回收。

场景跑在 MuJoCo 物理仿真环境里。什么时候点火、开几台发动机、什么时候切换推进阶段——全部交给模型判断。

然后这位开发者给了一个非常诚实的数据：他试了 12 次，反复调整设置，火箭才成功着陆。

成功那一次总共 245 次调用，API 费用约 0.04 美元。

四美分。请注意这不是"便宜"，这是"可以随便失败"。

做试验的本质就是不断失败。当一次失败的成本是三美分而不是三十美元，你敢在深夜随手写个想法扔进去跑，看看会发生什么。低成本改变的不是质量控制流程，是人愿不愿意动手。

玩法六到七：画图，和查机票

第六个玩法：逐像素让模型选颜色，最后拼成一张图。

思路把"画图"这个问题拆到最细：这个位置该用什么颜色？每种颜色的概率是多少？程序拿到概率再显示出来。

这不是一个实用的绘画工具，但它是极好的思维演示——任何创作过程，拆到足够细，本质上都是一连串的选择。

第七个玩法：操作浏览器查航班，用时 7 秒，费用 0.0039 美元。

这个案例里有值得抄的架构。它不是让 Jev 单独完成所有事，而是分工：

• 网页的当前状态 → 交给 Jev，让它选择下一步点哪里
• 需要输入文字的地方 → 交给一个小型语言模型生成
• 几个组件各干各擅长的事，拼成一次完整的网页操作

这是目前最值得借鉴的一条： 不要指望一个模型包打天下，让贵的模型干需要语言的任务，让快而便宜的模型干高频的判断任务。

七秒完成一次查询，跟日常的加载等待差不多。在这种节奏下，"AI 帮我点点鼠标"从演示变成了可以使用的东西。

玩法八到十：给内容打分，给 AI 自己瘦身

后面三个玩法指向同一类场景，也是最可能落到你工作里的。

第八个：边写帖子，边看它有没有传播潜力。 Riley Brown 做了个实时分析器——输入框里写内容，改一句文案，反馈立刻刷新。

这件事的价值在于把评估塞进了创作过程里。过去你是写完整篇、发出去、等半天看数据，然后才知道这版标题行不行。现在修改和反馈之间没了间隔，你会在写作过程中被训练出某种直觉。

第九个：40 秒拆解 724 条广告。

37 个品牌、724 条素材，用时 40 秒，Token 费用 9 美分。它给每条广告打标签和评分：开头怎么抓注意力、采用什么形式、给了什么优惠、希望用户购买还是注册、广告里的承诺和落地页是否一致。

一夜之间，你的竞品素材库有了结构。

想研究"折扣文案怎么写"？把所有主打折扣的素材拉出来横向对比。想看别人怎么设计开头？按 hook 类型集中翻。过去这是需要一个实习生做一周、且做得很粗糙的活。

九美分，四十秒。这个替换率，是这次刷屏里最有杀伤力的一组数字。

第十个：给 AI 自己的工具调用记录打分，然后删掉无关的。

这是所有玩法里最贴近开发者痛点的一个。

AI 连续干活的时候，会不断积累网页内容、文件片段、工具返回的结果。这些全都进上下文。时间长了，上下文越来越长，模型越来越慢，越来越贵，注意力越来越分散——而其中大部分内容跟当前任务已经没关系了。

Jev 在这里的角色是裁判：扫一遍历史记录，给每条打分，把无关的剔除。

用便宜的模型去给昂贵的模型做瘦身，这笔账怎么算都划算。

那到底什么活，该交给它

把上面 10 个案例摊开，会发现它们的形状惊人地一致：

接收当前状态 → 从有限选项里做判断 → 把结果交回给程序。

游戏每走一步、网页每点一次、用户每改一段文字，都可以触发一次这样的判断。

所以判断标准其实很简单。如果你的任务满足下面三条，Jev 这类模型会比大模型合适得多：

• 答案的集合是封闭的 —— 要么 ABCD，要么 0 到 5 分，要么是或否
• 调用的频率很高 —— 一天几千次甚至几万次，单次成本被放大
• 决策可以回溯、代价可控 —— 判断错了可以重试，不会造成不可逆的损失

反过来，需要理解长文档、需要生成新内容、需要解释为什么——这些依然是大模型的地盘。

正确的姿态不是二选一，是快慢分工。 昂贵的模型负责规划这种"慢思考"，高频、原子化的判断交给决策模型。

中间那层负责组装和调度的工程，业界已经有名字了，叫 Harness。

泼几盆冷水

热闹看完，有几个地方需要你保持清醒。

第一，官方数据有水分。 TypeSafe 自家工作流评测给出的数字是"比前沿大模型快约 194 倍、成本低 445 倍"，但这些评测由他们自己做。第三方独立测试显示的加速倍数大约在 5 到 25 倍之间。这个区间依然很可观，但和官方口径差了一个量级。看厂商自测数据，习惯性地打个折。

第二，透明度是个真问题。 Jev 的输出虽然是结构化的、可读的，但它不会提供任何语言层面的解释。

它说这条工单该给退款组，概率 0.91。为什么？没有答案。

当这类系统越来越多地嵌入到软件内部替你做决定，"它的行为能不能被理解和追责"就不再是个学术问题了。金融风控、医疗分诊、招聘筛选这类场景，光有概率是不够的。

第三，它现在进不来。 这一点对国内读者最关键：Jev 目前未向中国大陆地区开放。

好消息是这条路不封闭。国内 APUS 的 AI 实验室在 9 月 19 日就公布了全球首批针对 Jev 的独立开源复现成果，做成了开箱即用的 Agent Skill fast-browser-use，完整复现了它"跳过自回归解码、隐状态直接打分"的核心逻辑，用本地的 Qwen3.5-9B 就能跑，macOS、Linux、Windows 都支持，代码以 MIT 协议开放。

也就是说：这套"快判断"的思路本身是可以被复刻的，不必等 API 开放。

真正值得带走的不是某个模型的名字，而是那个分层：贵的模型负责想清楚，便宜的模型负责快速选，中间用概率做闸门，把不确定的人不确定事一层层往自动执行推进。

AI 落地这一步，缺的从来不是更聪明的大脑，是一套敢让人放心把事情交出去的节律。