开发者Marcel Pociot接入Jev做了一个浏览器插件。
作用特别简单。
就是这个浏览器背后接了Jev，然后用Jev帮你过滤X上那些你压根不想看的东西。
比如你可以设定好，说我不想看故意引战骗回复的内容，或者说不想看加密货币和NFT，又或者不想看政治争论啥的，都可以。
甚至你可以说：“把那些明显只是为了让我生气、让我回复、让我停下来吵架的内容都折叠掉。”
然后，你就继续正常刷X。
每出现一条新的帖子。
Jev就在后台飞快地判断一次：
这条东西，有没有命中刚才那些我们不想看的内容分类？
有的话就直接折叠不显示了，没有命中的话，就正常展现出来。
而这个判断的速度，平均只需要380毫秒。
也就是在Jev看到帖子的一瞬间，输入帖子，然后完成判断进行输出，是否要折叠，这一切，只发生在380毫秒的时间里面。
过去我们看大模型，如果遇到这种问题，你当然可以让大模型来去做判断，即使你开了JSON Output的话，它也会很慢，甚至如果开了思考的话，那就更慢，可能需要十几秒，甚至是几十秒才能完成一个判断。
Jev干的就是这件事。
这就是Jev最奇怪，也最性感的地方。
我们过去看到的大模型，都在努力学习一件事情，也就是怎么更好地回答人类。
Jev直接换了个方向，它想解决的是：
如果最后真正需要这个答案的，其实只是一段代码呢？
代码根本不需要你文采飞扬。也不需要你解释半天。
它只想知道：要还是不要、A还是B、继续还是停止等等等等。
它需要的，是一个能直接执行的判断。
而且我其实说实话，不只是代码，这个世界中，即使对于我们人类来说，绝大多数的东西，本质上其实也都是决策判断。
这件衣服你要不要买，遇到Boss了你是格挡还是闪避，Token用完了你是重置还是摆烂，要结婚了这个彩礼到底是给还是不给...太多太多了。
很多时候，即使在我们的人生中，我们也根本不需要那么长篇大论的文字或分析，我们只需要一个决策，仅此而已。
所以，Jev奔着这个目标一路狂奔，他们为了最好的完成决策，直接把生成文字给砍掉了。
于是，速度快了20～200倍，近乎逼近实时，当Jev打游戏的话，一秒可以决策10次，并且成本低了40～400倍，0.042美元/百万Token，便宜到离谱（输出Token还是免费的，因为只输出一个决策，那个Token太少了，他们干脆免费了）。
网上的大佬们已经玩疯了。
比如，有人会用它，玩马里奥，因为马里奥本质上也就是按键判断。。。
效果出奇的好。
有人用它操控浏览器查询航班，一共就花了7秒，全部点完，毕竟，浏览器操控，本质上也是判断决策。
还有大佬用它搭了一个交易机器人，因为做交易，本质上也是决策，就是买或者卖而已。
还有太多太多了。
Jev这个百毫秒级响应+大批量判断，既有超级实用的场景，也有无数能拓想象力的场景。
这就是他们给自己定义的模型类型，称为System One Model。
System One这个名字，来自丹尼尔·卡尼曼那本特别有名的《思考，快与慢》。
卡尼曼把人的思考粗暴地分成两种。
系统1就是快思考，自动的、直觉的。
比如我问你：1+2等于几？你总不会低头沉思三分钟，然后才给我报个3对吧。
系统2，就是慢思考。
需要一步一步分析的，比如做数学证明，写复杂代码啥的。
现在的GPT、Claude，尤其是各种Reasoning Model，越来越像一套特别强的系统2了。
而Jev赌的则是另外一边，因为他们觉得，这个世界上其实存在着海量根本不需要长篇推理的智能任务。
所以他们重新做了一套模型架构、并行Sampler，还有一种自己叫做RLCD的训练方法。
全称是Reinforcement Learning for Calibrated Decisions。
大概可以翻译成：
面向校准决策的强化学习。
就像我们过去说，RLHF优化其实是人类更喜欢哪个回答。
然后RLVR优化的是，这个答案能不能被验证，所以后面数学、代码之类的这两年直接旱地拔葱式的大跃进。
而RLCD想优化的，就是这个决定到底对不对，而且模型嘴里说的“我有90%把握”，到底是不是真的接近90%。
因为如果你真要把AI塞进一个自动化系统里，那概率必须是有意义的。
比如，Jev给出来的置信度 > 0.90，那就可以自动执行。
0.7 < 置信度 < 0.90，那就交给更强的大模型复核。
置信度 < 0.7，那就交给人来决策。
所以我觉得在Jev这条路线里面，最重要的词甚至不只是快和便宜，这个“校准”，才是真正的核心。
当你接了Jev让它输出的时候，也可以看到，它的输出，是这样的。
这就很爽了。
而且最骚的是，所有的这些需要判断的问题可以一次性并行问。
比如我扔进去一条AI新闻。
我可以同时问：是不是AI相关？是不是广告？是不是融资？应该归到哪个分类？值不值得推给用户等等等等。
Jev可以一口气把这些判断一起做掉，速度极快，直接起飞。
这跟传统LLM一个一个Token往外生成，完全是两种思路。
所以，这玩意本质上有点像：
一个拥有世界知识和语义理解能力的超级if。
目前可以在他们的官网上申请资格，应该挺快就能过。
网址在此：https://typesafe.ai/
不过如果你急着测试的话，也可以去一个集合平台vercel上用，他们已经首发接入Jev了。
我自己也第一时间把AIHOT里面的一些任务判断，都用Jev测了一下。
比如一个非常基础的预筛任务，就是每天几千上万条我监控的内容会被爬下来打分，负责精选的模型是一个稍微大一点贵一点的模型，这样才能保证世界知识充足，品味足够的好。
但是如果我们把这几千上万条信息都扔给这个模型的话，很贵。那所以前面就用一个便宜的模型来做一道预筛，把跟AI没有关的内容全部先剔除掉，这样就能省很多钱了。
所以这个预筛任务特别简单，就是只判断，当前信息跟AI是否相关。
100道的测试题，我让GLM-5.3 Flash、DeepSeek V4.1 Flash、Qwen 3.7 Flash、Jev同时测试了一下。
结果是这样的，还挺意外的。
GLM 5.3 Flash是唯一一个全对的，但是也最慢和最贵。
Jev目前看起来是最综合的，准确性第二+便宜很多，比DeepSeek V4.1 Flash在空闲阶段还要便宜，但是因为国内网络延迟的问题，所以Jev的耗时和反应速度被拉高了。
Qwen 3.7 Flash依然是最便宜性价比最高的，甚至只有Jev的一半，但是精准率跟DeepSeek V4.1一样，差了点。
在另一个同事件聚簇判定的任务上，Jev差不多也维持着第二准确，但这次因为内容量表较大，所以终于变成了速度最快的角色。
而如果让它做一个更适合Jev的并行判断任务，比如一个新闻背后，同时有十个问题需要判断并且输出。
那这时候，优势就出来了。
最高的准确率，最快的速度，第二低的成本。
在追求精度的分类和判断场景上，Jev就是目前性价比最高的解，Qwen 3.7 Flash便宜是便宜，但是一旦稍微大一点的活，这个正确率能被拉7个点，这就没法用了。
而且这只是第一代模型，如果几个月后，Jev出到2.0，那我不敢想象，这玩意准确性能高到什么程度，速度又能快到什么程度，以及价格又能便宜到什么程度。
Jev这个名字，脱胎于一个经济学里著名的东西。
杰文斯悖论。
他的提出者，就叫William Stanley Jevons。
19世纪的时候，蒸汽机越来越高效，理论上来说，烧同样的煤，可以干更多的活，那人类是不是会因此少烧煤？
结果刚好反过来，因为蒸汽机效率越来越高，使用煤变得越来越划算，所以，越来越多行业开始用。
最后，整个社会的煤炭消费量反而上升了。
效率提高，单次消耗下降，总消耗却暴涨，这就是杰文斯悖论。
而TypeSafe给模型起这个名字。
意思已经非常明显了，他们赌的就是，智能也会发生杰文斯悖论。
我们现在用的模型越来越贵，价格越来越高。但我们日常中真的需要用到这么高智力的模型吗？是不是有大量的判断和决策，还有事情只需要一个Jev这样的模型，就可以了呢？
但如果有一天，一次拥有相当不错语义理解能力的判断，便宜到接近不要钱的时候，这个世界又会发生什么呢？
AI，为什么一定要生成东西？
智能当然可以用来创造。
那，也可以只用来判断。
Jev确实可能代表着Agent时代另外一块特别重要的拼图。
一个我们过去因为ChatGPT太成功。
反而一直没有认真看过的方向。
未来的轮廓。
好像也逐渐清晰了起来。
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，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com