前 OpenAI 研究员 Diogo Almeida 带着一款叫 Jev 的新模型登场，这个被称为 System One 的模型没有嘴巴，不生成任何文字，只输出概率判断。上线不过数天，全球开发者围绕它砸出了近五百个开源项目，热度直逼当年的 Openclaw。一个不会说话的模型，凭什么让全球程序员玩疯了？
判断和生成，本来就该分家
看几个例子就明白了。智能家居社区 Home Assistant 上有个 HA-Jev 插件：传感器读取洗衣机功率与房门状态，把「衣服是不是忘在里面了」抛给模型，模型不写一个字的八股文，只返回一个概率值，置信度超过 0.8 就弹提醒。一次判断几十毫秒，花费 0.000015 美元。插件作者留下一句扎心的话：我过去一直在用大语言模型回答根本不需要它的问题。
这类场景正在批量涌现。开发者 Tamara Tran 写了个 Jev 插件压缩 Claude Code 的上下文，不做任何归纳总结，只逐条给历史工具调用打相关性分，低于阈值直接剔除，接近 100 万 token 的臃肿上下文 1 秒内精简到 8.6 万。Droidrun 团队的 mobile-jev 操作真实 Android 手机打开 Uber 一路点到付款，9 个步骤只花 21 秒，全程没调用过任何文字生成模型。还有位开发者积压了三个月的 9081 条产品匹配数据，以前因为 API 费用直接放弃，换 Jev 后 150 行脚本 13 分钟跑完，总账单 32 美分。摘要是昂贵的生成，过滤只是一次冷酷的判断，成本差了几个数量级。
杰文斯悖论正在上演
Jev 这个名字取自 19 世纪经济学家杰文斯。著名的杰文斯悖论说：当技术进步让某种资源的使用成本大幅下降，其总消耗量反而会爆发式增长。TypeSafe AI 给 Jev 定的价格是每百万输入 token 仅 0.042 美元，输出免费。一天 1 万次业务决策，单月成本约 120 美元；同样的活交给同等准确率的顶级推理大模型，月账单直奔 3.5 万美元。
暴跌的成本瞬间激活了一批此前被判「毫无商业价值」的边缘场景。Distribb 的创始人用 Jev 扫描近六百个网页，45 秒完成内部链接地图重构，布设五百多个链接，总共 21 美分。他的总结很到位：这不是内容创作，这只是 8790 次该连还是不该连的判断题。
大模型退回它该在的位置
有意思的是说话的人。Almeida 是参与构建 ChatGPT、共同发明 RLHF 的核心研究员，他离开 OpenAI 时留下那句「我们手里握着一道闪电，但它却没那么好用」，分量不轻。在他看来，整个行业被困在优化人类自然语言这条路上太久，机器之间协同需要的是明确指令与概率，抑扬顿挫的修辞在严肃系统工程面前多数时候是阻碍。Pi 框架的 CTO Armin Ronacher 说得更直接：主流大模型一直被资本补贴得极为廉价，大家习惯了挥霍，没人愿意做真正的创造性思考。
生态跟进的速度同样说明问题。Jev 上线仅一天，vLLM 贡献者就用 Google 的 DiffusionGemma 搞出了开源版本，初步测试准确率接近官方。判断模型作为一个品类，已经成立。新范式里的 AI 系统不再只有一个大脑：海量毫秒级判断交给便宜得像自来水的直觉模型，只有真正要向人输出成段文字的少数节点，才唤醒那个昂贵的生成式模型。
写在最后
过去三年 AI 叙事的主线是一个模型越来越大、越来越全能，行业默认智能是一块不可拆分的铁板。Jev 撕开了这块铁板：把判断和生成绑在一起，是一种结构性浪费。当一次判断的成本从几美分降到万分之一美分，开发者做的也并非原来的 100 次判断变便宜了，他们开始做 10000 次以前根本不会做的判断。这不是降本增效，这是 AI 基础架构从中央集权走向分布式分工的起点。
配图说明：本文封面为 AI 生成图像。
参考：极客公园《Jev，让全球程序员玩疯了》报道（36 氪经授权发布），本文为基于公开信息的独立评述。