前OpenAI研究员推出Jev：不做生成只做判断的系统一模型

近期，一个名为 Jev 的 AI 模型在技术社区引发广泛讨论。它不聊天、不写代码、不写文案，甚至一个字都不输出，只专注于一件事：在预设选项中做判断。

这款被称为“哑巴模型”的产品，最初在微信自动化与社群管理等场景中迅速走红，展现出反常识的应用价值。

什么是 Jev？

Jev 由初创公司 TypeSafe AI 发布。该公司由 GPT-4 论文共同作者、前 OpenAI 研究员迪奥戈·阿尔梅达（Diogo Almeida）创立，此前曾获得 DCVC 领投的 4000 万美元种子轮融资。

Jev 将自身定义为“系统一模型”（System One Model），灵感来源于丹尼尔·卡尼曼的《思考，快与慢》。在认知心理学中，系统一代表快速的直觉反应，系统二则是慢速的逻辑推理。TypeSafe 认为，行业大多在研发擅长写长文、深度思考的“系统二”，但很多软件真正需要的只是快速直觉式的判断。

与 ChatGPT、Claude 不同，Jev 并不生成自由文本，而只回答三类选择题：

• Choice：从最多 255 个选项中选出一个。
• Score：在 2 到 10 级的标尺上进行打分。
• Noul：输出一个 0 到 1 之间的“是/否”概率。

这些题目支持在一个请求中并行计算。Jev 不逐字生成内容，而是直接输出固定选项的概率分布，端到端延迟低至 70 到 500 毫秒。费用方面，输入每百万 Token 仅收 0.042 美元，输出免费。上线 Vercel AI Gateway 仅 24 小时，便被近 13% 的付费团队接入。

在模型可靠性上，Jev 的格式“幻觉”率为 0%，绝不输出限定范围之外的字段（尽管其仍有可能选错答案）。其训练方式采用了基于校准决策的强化学习（RLCD），重点提升输出概率的统计真实性，使模型给出的置信度能直接反映实际准确率。

从微信插件切入高频场景

微信生态需要大量实时意图理解：判断消息是否需要回复、排查广告、识别退款意图、规避违规言论等。这些需求属于典型的“有限选项选择题”。

传统大模型在这一场景下存在明显痛点：

1. 延迟高：常规生成通常需要 3 到 30 秒，无法跟上即时滚动的消息流。
2. 成本高：对轻量级机器人而言，逐条调用大语言模型进行审查成本过于昂贵。
3. 失控风险：自由生成文本存在失言风险，极易触发社交风控甚至导致封号。

Jev 提供了极低成本的语义判断能力，将“关键词匹配”升级为真实的“语义意图理解”。同时，Jev 输出校准后的置信度，使系统可以根据阈值自动决定是直接处理还是转交人工客服，兼顾了效率与准确率。

目前，已有开发者利用 Jev 结合 OCR 与 Windows 屏幕捕获技术，打造出桌面端微信辅助工具，实时标注对方发言的意图概率。

从文本生成转向底层判断

当前 AI 智能体（Agent）常受限于“又慢、又贵、又脆”的架构瓶颈。在许多业务流中，工单流转、安全风控、界面交互等环节只需确认下一步该点哪个按钮、走哪个分支。如果调用庞大的大模型先输出长篇文本再通过解析提取指令，会浪费大量计算资源与时间。

Jev 的价值正是在于充当软件架构中的“语义 If 语句”，直接提供结构化的路由依据。例如在浏览器自动化任务中，Jev 可协同完成动作选择，帮助任务链路显著提速。

不过，Jev 并非要取代通用大语言模型，两者更多是互补关系：由大语言模型负责制定复杂的策略逻辑，再交由 Jev 在生产环节进行低延迟、低成本的高频执行。

需要注意的是，Jev 也有其局限性。目前官方文档显示其在中日韩（CJK）语言下的准确率偏低，更适合英文短文本。此外，Jev 完全不具备多步推理与路径回溯能力，面对未清洗的复杂网页 DOM 结构或突发弹窗等长链路交互时，仍需要依赖强推理模型来完成深度规划。