前OpenAI研究员Diogo Almeida推出了一款名为Jev的新型AI模型，该模型不生成任何文字，仅输出概率判断。上线数天内，全球开发者围绕其构建了近五百个开源项目。
Jev被其开发者称为「System One」模型，核心逻辑在于将AI能力拆分为「判断」与「生成」两类。在智能家居社区Home Assistant中，一款名为HA-Jev的插件通过读取洗衣机功率变化与房门状态，向模型提出「衣服是否被遗忘」的判断问题。模型不输出文字分析，仅返回概率值，当置信度超过0.8时触发取衣提醒。单次判断耗时几十毫秒，成本为0.000015美元。
在Agent基础设施领域，开发者Tamara Tran利用Jev插件压缩Claude Code的上下文，通过逐条给历史工具调用打相关性分数并剔除低分条目，将接近100万token的上下文在1秒内精简至8.6万token，全程未生成任何文字。Droidrun团队开发的mobile-jev手机操作代理在演示中控制Android手机完成Uber叫车流程，9个操作步骤耗时21秒，所有界面决策均通过Jev进行概率匹配完成。
开发者社区已将Jev应用于数据库查询、游戏操控、数据清洗等场景。GitHub上出现了pg-jev和duckdb-jev等项目，Ruby社区将其封装为原生控制流语法。有开发者使用Jev处理9081条积压三个月的数据匹配任务，150行脚本在13分钟内完成，总成本32美分。Distribb创始人使用Jev扫描近六百个网页，45秒内完成内部链接地图重构，布设五百多个链接，花费21美分。
Jev的定价为每百万输入token 0.042美元，输出免费。按此计算，每天1万次业务决策的月度成本约120美元，而使用同等准确率的顶级推理大模型则需约3.5万美元。Jev的名称取自19世纪经济学家威廉·斯坦利·杰文斯提出的「杰文斯悖论」，即技术进步提升资源利用效率后，该资源的总消耗量反而会爆发式增长。
Diogo Almeida曾参与构建ChatGPT并共同发明RLHF技术。他在离开OpenAI时表示，行业长期被困在优化人类自然语言的路径中，而计算机之间的协同并不需要修辞，机器需要的是明确指令与概率。Pi框架CTO Armin Ronacher对此评论称，此前主流大模型被风投资本补贴得极为廉价，导致行业习惯了挥霍算力，缺乏对架构创新的真正思考。
Jev的出现表明，AI系统架构可能向「判断」与「生成」分离的方向演进。海量毫秒级判断可由低成本直觉模型处理，而昂贵的生成式模型仅在需要向人类输出成段文字或起草复杂报告时被调用。这一变化正在推动开发者重新审视大模型在自动化软件中的角色定位。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
