AI圈最近爆火的"哑巴"Jev，到底是个啥？

你问它问题，它不写文章、不写代码、不陪聊，连一句完整的话都蹦不出来。给它一段文字，它只回几个数字和标签——"96% 紧急""分类：账单问题""愤怒程度：3.0/4"。

像个高级分类器？但它创下了 AI 史上最快的采用纪录：上线 24 小时，近 13% 的付费团队就开始用，是此前所有新模型首日数据的两倍以上。36 小时内 14 万开发者涌进内测，Vercel、LangChain、Cloudflare 几乎第一时间就把它接了进去。

这个叫 Jev 的模型到底是咋回事，我尽量用大白话讲清楚。

名字梗：Jev 来自一个 19 世纪经济学家

Jev 这名字来自杰文斯（Jevons），19 世纪的经济学家，他当年发现了一件反直觉的事。

瓦特改良蒸汽机之后，烧煤效率大涨。按理说机器越省煤，煤应该越用越少吧？结果全英国的煤炭消耗不降反升。

原因很简单：煤变便宜了。便宜到以前用不起煤的行当也用得起了，单台机器省下的那点煤，被爆发式增加的新用户一口吞掉。

这就是"杰文斯悖论"：效率提升，成本下降，需求爆炸，总消耗不降反升。

Jev 的母公司 TypeSafe 拿这个悖论命名，意思很直白——等 AI 判断一次便宜到可以忽略，它就会被塞进互联网的每一个角落。

它到底能干啥？就三件事

Jev 的 API 极简，只接受三种问题：

Choice，从选项里挑一个。比如"这封客服邮件该转给哪个部门"，它返回每个选项的概率分布和最终选择。

Score，打个分。比如"客户愤怒程度：1 平静、2 有点烦、3 很生气、4 要跑路"，它给一个连续值。

Noul，是非判断。返回一个 0 到 1 的概率，比如"这单是不是盗刷"。

就这三种。没有生成，没有解释，没有推理链。

你可能会说，这不就是十年前的分类器吗？区别在于零样本泛化。老分类器每换一个任务就得重新标注、重新训练；Jev 跟大模型一样，你告诉它分类标准是什么，它当场就能判，不用微调。它留住了大模型的语义理解，但砍掉了生成文本的那半。

为什么又快又便宜

普通大模型是自回归的：一个字一个字往外蹦，生成 100 个字就跑 100 次计算，输出越长越慢越贵。

Jev 不走这条路。它的输出空间是预先定死的——选项就那么多，答案就是一个概率值，所以可以并行采样，一次计算全搞定。

官方数据：延迟 70 到 500 毫秒，大模型普遍是 3 到 329 秒；输入每百万 token 0.042 美元，输出免费。比最快的前沿大模型快 194 倍，便宜 445 倍。

输出免费的底气也在这：既然没有逐字生成的过程，就没有值得计费的输出。官方博客的原话很狂："便宜到根本不值得计费"。

"零幻觉"是真话，但别会错意

Jev 被反复拿来讲的一个点是幻觉率 0%。

意思是它绝不会给你选项之外的答案，绝不会拼错字段，绝不会突然扯一段废话。但这不等于它不犯错——它完全可能在一堆选项里选错一个，创始人自己都承认过。所谓无幻觉，只是因为它被锁死在预定义的答案框里，根本没有胡思乱想的空间。

真正有意思的：AI 开始分物种了

Jev 的爆火，藏着个很多人还没反应过来的趋势。

过去几年大家都在造"系统二"——会思考、会写长文、会推理的 AI。但软件里真正需要的判断，大多数是"系统一"：快速、直觉、不过脑子那种。

Jev 的定位就是系统一模型。业内有个说法很形象：贵的大模型负责慢思考——规划、推理、创作；高频的快判断，交给 Jev 这种轻量决策模型。

开发者已经玩出花了。有人把它塞进浏览器 Agent，在 Google Flights 上找航班只用了 7.1 秒，单次成本约 0.0039 美元。有人用 GPT-6 当指挥官规划路线，Jev 当执行者判断每一步点哪里，在《我的世界》里 8 分 43 秒通关击杀末影龙，模型调用成本不到 1 美元。

一个共同的套路：那些以前"调大模型太亏、写规则又太蠢"的判断活，现在能扔给 Jev 了。

泼点冷水

Jev 不是万能的。

它不能聊天、不能写代码、不能解释理由、不支持图片音频视频。你问它"为什么不选这个"，它不答，只给数。

有评论说得很直白：拿无幻觉跟 LLM 比并不公平。结构化输出和自然语言本来就是两套体系，没有幻觉空间不等于模型更聪明。

它就是一个极其专精的工具，专干"是/否、选哪个、打几分"的脏活累活。

收个尾

Jev 是个不说话的 AI 判断器。不生成文字，只吐概率和结构化答案，快得吓人，便宜到没边。

它名字来自一个"越省越费"的经济学悖论，它想做的事也一样：把 AI 判断的成本压到几乎为零，再让这种判断渗进软件的每个角落。

至于这是不是通往 AI 经济革命的最短路径，创始人说是，市场眼下也信了。但至少现在，它确实是个好用的哑巴工具人。