不聊天、只决策：Jev 模型凭什么 36 小时涌入 14 万开发者
昨天刷推特，满屏都在聊一个词：Jev。
我一开始以为是哪个欧洲小国的政变缩写，点进去才发现，是一个 AI 模型。
而且是那种「一出生就带着叛逆」的模型——不聊天，不写代码，只做判断。Yes or No，选 A 还是 B，打几分，是真的还是假的。
就这？
就这。但这东西 36 小时涌入了 14 万开发者，两天内冒出 6 个克隆版本。
我花了一个下午扒完了所有资料，这篇聊聊它到底是什么，为什么火，以及它到底想颠覆什么。
一个 ChatGPT 发明人「叛逃」后做的东西
Jev 背后的公司叫 TypeSafe AI，创始人 Diogo Almeida 是前 OpenAI 核心研究员，ChatGPT 和 GPT-4 论文都有他的名字。
他在 OpenAI 干了很久，然后离开，花两年时间搞了一个全新架构的模型。
注意，不是「微调」，不是「蒸馏」，是从底层换了一套完全不同的 backbone。
这个模型的定位也很反直觉：它不是来跟 GPT 聊天的，它是来做决策的。
TypeSafe 给它起了个品类名叫「System One 模型」，灵感来自 Daniel Kahneman 那本《思考，快与慢》。系统 1 是快思考，直觉式的，不需要深思熟虑就能给出判断。Jev 干的就是这个活。
到底有多快多便宜
直接上数字。
跟传统 LLM 比，Jev 的端到端延迟是 70 到 500 毫秒。传统 LLM 做同样的判断任务，得逐 token 往外吐，Jev 直接给你一个结构化答案：分类结果 + 置信概率，JSON 格式，完事。
速度快了 193.6 倍，成本降了 444.6 倍。
你没看错，不是 193%，是 193.6 倍。
而且它宣布输出 Token 永久免费，注册就送 5 美元额度，大约 1.2 亿个 token。这个赠送量，基本上够一个中等规模的开发者玩到天荒地老。
它到底能干嘛
你可能会想，一个只能做 yes/no 判断的模型，有什么用？
这个问题问得好，因为你可能没意识到，你的 AI 工作流里有多少「判断型任务」在用「生成型模型」做。
举个例子。你有一个 Agent 管线，用户发来一封邮件，你得先判断它是咨询、投诉还是垃圾邮件。这个任务需要写一篇文章吗？不需要。但你现在用的是 GPT-4o，它得先理解你的 prompt，再逐 token 生成一个回复，最后你还得用正则解析它的回答。
用 Jev 做这件事，直接丢进去，70 毫秒后你拿到一个 JSON：{"category": "complaint", "confidence": 0.94}。
社区里已经在玩的场景包括：
Agent 路由和工具选择，让 Jev 判断当前任务该调用哪个工具，比让 GPT-4o 自己决定便宜几百倍。
邮件分类和优先级排序，不用写复杂的 prompt 工程了，一个 API 调用搞定。
社交媒体内容审核，这条内容该不该删，是广告还是真实分享，Jev 毫秒级出结果。
实时交易决策，量化团队已经在用它做风控信号的初步筛选。
给你看个最基础的调用。我用 Python 做了个邮件分类的测试：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 from openai import OpenAI
client = OpenAI(
base_url="https://api.typesafe.ai/v1",
api_key="你的key"
)
response = client.chat.completions.create(
model="jev",
messages=[{
"role": "user",
"content": "这封邮件是咨询、投诉还是垃圾邮件？邮件内容：你们的退款政策太离谱了，三天了还没处理！"
}]
)
print(response.choices[0].message.content)
# 输出：{"category": "complaint", "priority": "high", "confidence": 0.96}
70 毫秒拿到结果，JSON 格式，直接能丢进下游逻辑。换 GPT-4o 做同样的事，光生成就要一两秒，你还得自己写正则解析它的自然语言回答。
Vercel 用户更简单，直接在 ai SDK 里换 model 名就行：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 import { generateObject } from 'ai';
import { createJev } from '@ai-sdk/typesafe';
const jev = createJev({ model: 'jev' });
const { object } = await generateObject({
model: jev,
schema: z.object({
category: z.enum(['inquiry', 'complaint', 'spam']),
priority: z.enum(['low', 'medium', 'high']),
confidence: z.number()
}),
prompt: emailContent
});
// object.category = 'complaint', object.confidence = 0.96
注意它跟传统 LLM 的一个核心区别：你传进去的 prompt 不是让它「写一篇回复」，而是让它「做一个判断」。输出永远是结构化的，不需要你再去 parse 自然语言。
说白了，Jev 瞄准的不是「写」的场景，是「想」的场景。所有需要快速拍板、不需要长篇大论的任务，它都能接。
争议也很明显
火归火，争议也没停过。
有人直接说 Jev 是「纯纯的烂炒」。理由是它的底层可能就是一个 DLM backbone 在 JSON 格式上做了大量强化学习，谈不上什么新范式。不过是把 LLM 管线的辅助工具包装了一下，起了个花哨的名字。
也有人担心偏见问题。System 1 是快思考，快思考意味着容易有认知偏差。模型在追求速度的同时，会不会在某些边界 case 上给出有偏见的判断？尤其是涉及内容审核、交易决策这种敏感场景。
还有一个更根本的质疑：它到底是不是一个新品类，还只是一个被优化过的分类器？
传统分类器也能做 yes/no 判断，而且更快更便宜。Jev 的差异化在哪？如果它的核心优势只是「通用性」——能处理任意类型的判断任务，不需要针对每个任务单独训练——那这个优势能维持多久？毕竟大模型本身也能做分类，只是贵了点。
这些质疑我觉得都有道理。一个东西刚出来两天，6 个克隆版本就出现了，说明技术门槛并没有高到哪里去。真正的壁垒不在模型本身，在生态。
Vercel 第一天就接入了
说到生态，Jev 在发布当天就被 Vercel AI Gateway 接入了。官方数据显示，Jev 在 Vercel 上的首日触达率是 GPT-5.6 家族的两倍。
这个信号很有意思。Vercel 是前端和全栈开发者最密集的平台之一，它的用户群体恰恰是那种对延迟和成本最敏感的人。一个 API 调用要几十毫秒、成本只有 GPT 的四百分之一，对这种用户来说，吸引力是致命的。
而且 Vercel 接入的速度说明，TypeSafe 在发布前就已经跟大厂做好了集成准备。这不是一个实验室项目的节奏，这是一个商业化的节奏。
怎么用
现在 Jev 已经全面开放注册。你可以直接去 typesafe.ai 注册账号，5 美元额度到账就能用。
API 格式兼容 OpenAI，接入成本很低。如果你的项目里有任何「判断型」任务——分类、评分、选择、路由——都值得试一下。
Vercel 用户可以直接在 AI Gateway 里调用，不需要额外配置。
我的看法
说实话，Jev 是不是「新范式」，我持保留态度。但它确实戳中了一个痛点：我们用 LLM 做判断型任务，太贵太慢了。
就像一个公司不能所有事情都开全员大会讨论，有些决策需要一个经验丰富的人快速拍板。Jev 想做的就是 AI 世界里那个「拍板的人」。
它不会取代 GPT，也不会取代 Claude。它是它们的搭档。在 Agent 管线里，GPT 负责「想清楚然后写出来」，Jev 负责「快速看一眼然后给个结论」。
至于它能不能成为一个独立品类，还得看后续。6 个克隆版本说明市场是认可的，但也说明壁垒不高。TypeSafe 需要在生态和数据飞轮上跑出来，否则很快会被大厂吞掉。
不过话说回来，作为一个开发者，我更关心的是：能用、便宜、快，这就够了。范式不范式的事，让学术圈慢慢吵。
我先把它接到我的邮件分类脚本里试试。
以上，既然看到这里了，
如果觉得不错，随手点个赞、在看、转发三连吧，
如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章