PS：
AITutor 来了。每个人的 AI 原生学习伙伴，全网首发，点击预约。
这周 AI 圈最火的名字，不是哪个新的聊天模型，而是一个叫 Jev 的"怪胎"：它不会聊天、不会写代码、不会写文章，只会做判断。发布它的 TypeSafe AI 在 9 月 16 日正式亮相，创始人 Diogo Almeida 是 RLHF 之父、ChatGPT 核心贡献者之一，官宣帖子浏览量已经冲到 3800 多万，公司手握 4000 万美元种子轮融资。有人用它打马里奥、玩 Minecraft、给 Agent 当裁判，也有人嗤之以鼻：不就是个 JSON 分类器吗，值得这么吹？- Jev 不是聊天模型的替代品，它是软件内部的"决策原语"，专门干分类、路由、打分、校验这类高频小判断。
- 它快 20 到 200 倍、便宜 40 到 400 倍，代价是彻底放弃文本生成能力，输出只有三种强类型答案。
- 它的正确打开方式是"有限解空间、高实时要求、结构化输出"。放错位置就是事故放大器，放对位置就是成本粉碎机。
下面按"是什么、凭什么快、怎么用、实测数据、争议边界、落地建议"六个部分展开，全程干货。PS：
Jev 模型更多案例深入免费学习去这里：
1.打开 AITutor 新一代 AI 原生学习伙伴：www.aiaitutor.com 2.在首页输入"Jev” 就能看到更详细更丰富案例。3.包含了图文、视频、播客、闪卡、代码、测验等9种学习模态。
一、Jev 是个啥：一个不写字的"裁判"模型
诺贝尔经济学奖得主卡尼曼在《思考，快与慢》里有个经典理论：人脑有两套系统，System 1 负责不费力的直觉式快判断，System 2 负责缓慢的深度推理。过去所有的主流大模型，GPT、Claude、DeepSeek，全是 System 2 路线：逐 token 推演、组织语言、生成答案。能力强，但慢、贵、输出不可控。Jev 自称首个公开的 System One 模型。它模拟的就是人脑那种下意识的毫秒级本能判断。Diogo 的原话里有一句很扎心：为什么超人般的聊天模型没有催生出 AGI？他的答案是，因为软件的绝大部分时间在做小判断，路由这张工单、标记那句话、给这条日志打分，而这些判断不该由一个"作家"来做，该由一个"裁判"来做。普通代码根据可计算的值来分支，比如 if (order.total > 100)。可一旦条件变成一种"判断"，这套做法就失灵了：这条客服消息是在发火吗？这封邮件是关于账单的吗？这 12 个按钮里该点哪一个？Jev 干的就是这件事：你给它一段 state（状态数据）和一组带类型的问题，它返回每个问题的概率化答案，然后你的代码接管后续动作。把 Flavio Copes 整理的对比表直接搬过来，一看就懂：工具 | 你给它什么 | 它返回什么 | 它的角色 |
|---|
ChatGPT | 提示词或一段对话 | 生成的响应 | 通用助手 |
Cursor | 编码任务、仓库和工具 | 文件编辑、命令、测试结果 | 编辑器与编码智能体 |
Codex / Claude Code | 编码目标、项目和工具 | 代码变更与已完成的任务 | 编码智能体 |
Jev | state 加答案形状已定义的问题 | 选项、分数和概率 | 软件内部的决策原语 |
注意，Jev 不是来取代这些工具的，是来嵌进去的。编码智能体跑 shell 命令之前问它一句"这条命令是只读、可逆还是破坏性"，客服系统拿它判断消息该查数据库、走 LLM 还是转人工。产品不必变成聊天机器人，工作流也不必变成智能体，在普通 if 语句读不懂语义的地方，加一次模型调用就够了。二、凭啥又快又便宜：并行采样加 RLCD
1. 架构：彻底抛弃自回归生成
传统 LLM 慢的根源是自回归架构，一个 token 一个 token 往外蹦。你想让它返回一个 {"category": "billing"}，它也得按顺序把每个字符解码出来，中间还可能生成失败或者编出一个不存在的字段。Jev 完全不这么干。它做单次前向传递，同一请求里的所有问题基于同一个 state 并行评估，输出直接是你预定义选项之上的概率分布。答案在结构上不可能落在 schema 之外，官方把这个标为 0% 类型错误率，注意这是结构保证，不是经验统计。从此"schema 错误"和"决策错误"成了两个相互独立的问题，前者被消灭，后者靠阈值治理。有个评论很传神：用并行计算取代顺序计算，正是当年 Transformer 超越 RNN 的方式。2. 训练：RLCD 替代 RLHF，输出"认知内的概率"
这是最有故事性的一点。Diogo 本人就是 RLHF 的核心发明人，当年这套方法让 GPT 3 学会对齐人类偏好，催生了 ChatGPT。但他公开反思了 RLHF 的工程缺陷：奖励"人类爱看的答案"，导致模型不懂装懂、过度自信、产生幻觉。后来的 RLVR 走可验证奖励路线，把模型推向 o1、R1 那种深度推理，但对和错的代价是又慢又贵。海量企业自动化业务要的不是长篇大论，是毫秒级响应加高准确度。于是有了 RLCD（校准决策强化学习），优化目标是与真实结果相符的概率。所谓校准，就是在大量预测中，被赋予 90% 概率的那些答案，应该有大约 90% 的时间是对的。有几成把握说几成把握，绝不瞎编。这种"诚实的概率"价值巨大：工程师可以直接写 if decision.confidence > 0.88: 自动执行，否则转人工，人机协同第一次有了可以放心依赖的数值基础。3. 数字：快 193 倍，便宜 444 倍（当上限看）
官方给出的端到端响应是 70 到 500 毫秒，大多数调用在 100 毫秒上下；同任务前沿 LLM 要 3 到 329 秒。价格是每百万输入 token 0.042 美元，输出免费。官方自己的招牌数字是"快 193.6 倍、便宜 444.6 倍"，但它自己也承认这来自偏高端的工作流评估，建议大家当上限看。横向对比一下：当红旗舰模型（GPT 6 Astra、Claude Fable 5.1 这个级别）输入普遍 10 美元每百万 token，输出 50 美元。单看输入，Jev 便宜 238 倍；算上它完全免费的输出，在真实分类路由场景里综合成本能便宜近千倍。对了，Jev 这个名字致敬的是杰文斯悖论（Jevons Paradox）：蒸汽机效率提升后，煤的总消耗不降反升，因为更廉价的动力创造了新用途。TypeSafe 赌的就是智能遵循同一条曲线，当一次决策的成本远低于一美分，你会把决策塞进那些永远不会调用 LLM 的角落。三、怎么用：三种原语加一套工程纪律
类型 | 对应的问题 | 返回什么 |
|---|
Noul | 这是真的吗 | 0 到 1 的概率 |
Choice | 这些选项中的哪一个 | 选中项、完整概率分布、置信度 |
Score | 在这个刻度的什么位置 | 加权分数、各等级概率、置信度 |
调用方式极简，POST 一个请求到 /v1/systemone，带上 state 和 questions 就行。SDK 有 Node 的 @typesafe-ai/sdk 和 Python 的 typesafe-sdk，Vercel AI SDK 首日就原生支持了 experimental_evaluate，OpenRouter 也同步上线。生态第一天就是满的。1. 一次问完所有问题（推测性扇出）。同一请求里的问题并行评估，每个额外问题只消耗自己的 token。官方 cookbook 实测：13 个问题打包进一次调用，比 13 次顺序调用便宜 12.2 倍、快 10 倍。哪怕某个答案只对部分输入有意义，也一并问出来，由代码决定取用哪些。
2. 组合评分，权重握在自己手里。一个判断依赖多重因素时，别问一个大问题，每件事各问一个 Score，再用自己的系数加权。比如工单优先级等于 0.6 乘严重度加 0.3 乘客户情绪加 0.1 乘报告质量。排序结果不符合团队直觉时，改一个系数就行，不用重写提示词。
3. 置信度三段治理。高置信度自动执行，中置信度请用户确认，低置信度转人工。文档给的示例值是 0.5 作为人工复核下限、0.9 作为破坏性操作门槛，但提醒：这些是示例值不是默认值，先拿自己的标注数据跑出置信度和准确率的对应关系，再定阈值。
4. state 里只放问题需要的内容。塞满无关内容准确率会下降，这模型一样会"上下文腐化"，过滤要做在你的代码侧。
5. 提问纪律。每个问题只求一个判断；criteria 里描述情境而非程度（写"功能损坏但有变通方案"，别写"中等严重"）；覆盖不全就加 other 选项给模型留退路；数字、日期、计数一律留在代码里算，它不擅长。
四、实测数据说话：两组真刀真枪的对测
1. 祝威廉：苹果十年年报召回判定对测
祝威廉老师拿 Apple 的 10-K 年报（FY2016 到 FY2025，SEC EDGAR 原文，20 份文档）当语料，设计了 25 个按年份锚定的中英混合问题，构造 79 个样本对，其中 52 个是专门考"看着像但其实不是"的相邻年份 hard negative，正面对刚生产环境在用的 DeepSeek V4.1 Flash。结果：指标 | Baseline LLM | Jev |
|---|
对 expected 的准确率 | 92.2% | 92.2% |
Gold 保留（共 25） | 24 | 25 |
平均时延 | 11.3 秒 | 1.0 秒 |
单次判定成本 | 约 $0.0006 到 0.001 | 约 $0.000177 |
准确率打平，速度快 11 倍，成本便宜 3.5 到 5.6 倍。两个判定器决策一致率 94.7%，仅有的 4 个分歧双方各赢 2 个，没有系统性偏差。两个细节很有意思：一是两边各错的 2 次都是超时而非误判；二是 Jev 的输入 token 反而更多（33.3 万对 28.1 万），总价却更低，因为它一次前向只出概率分布，没有 reasoning 输出这条计费线。祝老师的结论是：在知识库召回判定这种高频调用场景，成本与时延就是产品体验本身。2. LangChain 官方：Jev-as-a-Judge 智能体评测
LangChain 团队用 Deep Agents 搭了个天气智能体，拿 LangSmith 数据集做 100 次重复评测，对比 GPT 5.6 Luna、GPT 5.6 Terra 和 Claude Sonnet 4.6：裁判 | 与人工基准一致率 | 质量评分方差（相对 Jev） | 单次成本 | 平均时延 |
|---|
Jev | 100%（500 次全对） | 1 倍 | $0.00035 | 0.44 秒 |
GPT 5.6 Terra | 99.8% | 高 913 倍 | $0.00289 | 2.83 秒 |
GPT 5.6 Luna | 96.4% | 高 433 倍 | $0.00039 | 2.50 秒 |
Claude Sonnet 4.6 | 80.0% | 高 92 倍 | $0.02811 | 2.16 秒 |
总账更夸张：整个评测 Jev 花了 0.34 美元，Claude 花了 28.17 美元。2我觉得这组数据的意义在于：当评估器又便宜又稳，团队就敢在更大比例的生产轨迹上跑评判，Agent 系统的反馈信号密度直接上一个台阶。这可能就是智能体评估的第三种形态，前两种是基于代码的评估和 LLM 裁判。五、争议与边界：是真创新，还是高级 if-else？
全网夸完之后，必须给大家泼点冷水，这部分同样重要。争议一：它是不是就是个 smarter 的 if-else？知乎答主赵泠的观点很犀利：这不算下一代 AI 新模型，能力边界从一开始就被框死，不具备自由文本生成能力。所谓"无幻觉"是重新定义了幻觉这个词，它只是不会输出你定义之外的内容，这叫格式正确，不代表不会判断错误。而且已经有人花 2 小时基于 Qwen 2.5 1B 复刻出类似产品，技术护城河存疑。说到底，它的核心竞争力从来不是"更准"，而是"更快、更便宜、够用就行"。争议二：它不会"指哪打哪"。小马智行架构师程墨做了个自动驾驶思想实验：200 迈车速，左边车道一只狗，右边车道一位女士。设定"安全第一"时 Jev 选急刹，概率 94%；改成"到达优先"后依然选急刹，概率降到 77%；干脆让它别管安全，急刹概率反而回升到 80%。这说明它有自己的"默认规则"，会先理解所有规则再做选择，依然带着大模型的老毛病。争议三：放错位置就是事故。Monad 团队的开发者拿它做高频交易判断，把策略简化成"涨还是跌"的判断题，结果在诱空诱多、假盘口丛生的对抗市场里被反复带偏，杠杆放大回撤。越把 Jev 往"全权决策"的位置上放，速度越是亏钱的放大器。边界实测：Browser Use 创始人做了长程浏览器交互测试，20 道题只对 1 道；有人尝试用它重写 Pi Agent 的模块，发现核心环节根本无法替代，只能接数据分类、文本压缩这类边界清晰的子任务。官方自己发布的"参差性"页面也坦白了一批失灵场景，列出来：数数算术不行（十六进制颜色它分不清相近不相近）；日期时间比较不可靠；双重否定和间接引用会掉准确率；臃肿的 state 会掉准确率；state 会被操纵性文本带偏（提示词注入对它有效）；Score 不是测量仪，1.4 分不能解读成"40% 的愤怒"；最后，它不会写作，理论上能用链式 Choice 逐字符逼它吐文本，但又慢又差。总结一句：用 Jev，你是让它从牌堆里挑一张牌，不是让它凭空报出一张牌。每当直觉告诉你"让模型抽取出某个值"，正确做法是改写成"这里是几个候选，是哪一个"。六、生态与落地：大家已经拿它干了啥
发布不到一周，社区的玩法已经炸开。挑几个有代表性的：- pg-jev：PostgreSQL 扩展，用自然语言判断过滤行或评估相关性，SQL 本身还是 SQL 跑。
- Sponsor Skip：识别 YouTube 转写文本里的口播赞助片段，扩展负责映射时间戳自动跳过。
- Jev Ultrafast：浏览器自动化里，Jev 负责从页面可交互元素中选下一步点哪个，需要输入文字时另一个小 LLM 提供文本。有人用这套分工约 7 秒订好一张机票。
- TypeSafe Mario / Jev Drone：读结构化游戏状态做操作决策，不看截图。
- Fast Jev Compaction：Claude Code 插件，给工具调用结果打分，决定保留、丢弃还是截断上下文。
官方 Demo 更出圈：Minecraft 生存 Bot 几十毫秒一次决策，灵活走位躲僵尸；《地铁跑酷》毫秒级避障，角色在铁轨上行云流水；Doom Bot 每秒约十次查询，成本估算每小时 7 美元；Wikiracing 机器人每步在几百个链接里做选择，而且从不选中不存在的链接。企业侧最值得抄作业的是这几种模式：智能体护栏（shell 命令执行前判定只读、可逆、不可逆，一次影子测试里一条含义不明的 rm -rf 以 0.33 的置信度被判不可逆，正是这个低置信度触发了人工介入）；意图路由（订单查询完全不碰 LLM，产品问题带上下文进 LLM，投诉按情绪分数在 LLM 和人工之间取舍）；语义 linter（先让 Jev 找出代码库里"该看哪里"，再让编码模型动手改）。七、判断与落地建议
Jev 的意义不在于它有多强，而在于它把"判断"变成了和存储、计算一样可编程、可计量、可组合的基础设施。天下苦 LLM"慢思考"久矣，它撕开了大模型"生成为王"的假象：很多真实业务场景需要的也许是一个又快又准的裁判，而不是一个滔滔不绝的作家。AI 行业卷了几年"通用大模型军备竞赛"之后，开始往"分工细化"走了，这个信号比 Jev 本身更值得重视。判断，System 1 加 System 2 的组合架构大概率会成为 Agent 时代应用的标准形态：Jev 这类决策模型负责路由、校验、打分、刹车，LLM 负责理解、推理、生成，而真正掌握生杀大权的，永远是你自己的代码。想上手的同学，建议走 Flavio 总结的影子模式六步走：从哪个场景开始？挑一个你的代码已经在硬编码、或者靠一条总是出错的正则在应付的平淡决策：路由、批准、跳过。先让它跑起来看一周日志，再谈自动化。最后一句话送给大家：一个不花钱的 if，永远好过一次可能出错的模型调用。Jev 该去的地方，是普通 if 读不懂语义、而 LLM 又贵又慢的那些角落。你觉得这种"决策模型"会先在哪个行业爆发？评论区聊聊。- https://www.datacamp.com/blog/system-one-models-jev
- https://flaviocopes.com/jev/
送个福利：
新一代 AI 原生学习伙伴 AITutor「www.aiaitutor.com」，重构学习方式，AI 驱动个性化精准成长，体系化学习+真实案例，塑造 AI 实战能力。快来免费体验吧。
PS：AITutor 来了。每个人的 AI 原生学习伙伴，全网首发，点击预约。
八、加我微信
扫码加我👇有很多不方便公开发公众号的我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇
加星标★，不错过每一次更新！
⬇戳”阅读原文“，立即体验 AITutor
