作者｜宇航猿 编辑｜靖宇 智能家居社区 Home Assistant 最近出现了一个名为 HA-Jev 的插件。它的逻辑极其简单，传感器读取洗衣机的功率变化与洗衣房门的状态，然后抛出一个问题给模型，「洗衣机洗完了，衣服是不是被忘在里面了？
模型不输出任何文字分析，只返回一个概率值。当置信度超过 0.8 时，手机就会弹出一则取衣提醒。
HA-Jev 仅仅用来提醒用户洗完的衣服是不是还留在洗衣机里｜图片来源：pitchhut 一次判断耗时几十毫秒，花费 0.000015 美元 。插件开发者在论坛里留下一句意味深长的话，「我过去一直在用大语言模型回答根本不需要它的问题。
衣服忘没忘拿是一个判断，不是一篇八股文。这句话恰好刺中了当前生成式 AI 的痛处。
过去四年，整个行业把几乎所有的算力、资本和工程资源，都压在「教模型说出更流畅的人话」上。大家习惯了用百亿甚至千亿参数的庞然大物，先吐出一长串思考过程，再包装成礼貌体贴的自然语言，最后让开发者用复杂的正则表达式把需要的答案抠出来。
直到前 OpenAI 研究员 Diogo Almeida 带着他的新模型 Jev 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， 全球开发者围绕它疯狂砸出了近五百个开源项目 。这可能是 Openclaw 之后，最让人们兴奋的新项目。
大家忽然发现，一旦剥离大模型的表达欲，原本昂贵而臃肿的 AI 应用，突然轻快得像一阵风。 01 大模型的「神经元」 如果把过去调用 GPT-5 或 Claude 的过程比作雇佣一位全知全能的哲学家，来帮你盯监控，那么开发者们现在用 Jev 所做的事，更像是给流水线装上了无数个廉价且反应灵敏的神经元。
在最耗费算力的 Agent 基础设施领域，这种变化几乎是颠覆性的。过去开发者处理超长上下文，最常用的手段是让大模型做摘要。
开发者 Tamara Tran 换了个思路，写了一个 Jev 插件用来压缩 Claude Code 的上下文。它不做任何归纳总结，而是逐条给历史工具调用的相关性打分，只要分值低于阈值，直接整条剔除。
用 Jev 插件用来压缩 Claude Code 的上下文｜图片来源：X 结果极其夸张， 接近 100 万 token 的臃肿上下文，在 1 秒钟内被精简到 8.6 万 ，整个过程模型没有敲下一个字符。这里的洞察非常朴素，摘要是昂贵的生成行为，但过滤只是一次冷酷的判断。
类似的颠覆也发生在移动端自动化上。使用 mobile-jev 操作手机｜图片来源：jevfast.com Droidrun 团队做了一个名为 mobile-jev 的手机操作代理。
在一段流出的演示中，它控制真实 Android 手机打开 Uber，输入起点和终点，一路精准点击直至付款界面， 全程 9 个操作步骤仅耗时 21 秒 。整个流程没有调用过任何传统的文字生成大模型，文字输入是直接从用户指令中截取的纯文本片段，而每一个界面的下一步该点哪里、该滑动还是该确认，全部交给 Jev 做极速概率匹配。
除了操作界面，开发者们甚至把它塞进了最古老的基础设施里。 GitHub 上很快涌现出 pg-jev 和 duckdb-jev。
开发者开始用自然语言，直接对数据库的行数据进行实时概率过滤和排序。在 Ruby 社区，有人直接把判断封装成了原生控制流语法，代码写出来就像是给程序赋予了直觉。
使用 Jev 打「星际」已经成了一系列 Github 项目｜图片来源：Github 在游戏领域，有人让 Jev 操控模拟器状态去玩超级马里奥，有人让它驱动《毁灭战士》里的守卫，甚至有团队把它接入《星际争霸》完成了首个战斗任务。游戏需要的是几十毫秒内的操作决断，以往的大模型连第一帧的思路都还没理顺，游戏角色早就阵亡了。
甚至，在数据清洗这类脏活累活上，差距也大到令人发指 。一位开发者手头积压了三个月的产品匹配数据，共计 9081 条。
早在六月份他就用主流大模型测算过，昂贵的 API 费用让他直接放弃。换成 Jev 后，他用一个晚上写了 150 行脚本，整个任务 13 分钟跑完，总账单只有 32 美分。
当大模型不再假装自己是一个博学的人类，AI 才能真正嵌入自动化软件的毛细血管。 02 杰文斯悖论 Jev 这个名字，取自 19 世纪英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）。
经济学上著名的「杰文斯悖论」指出，当技术的进步提高了某种资源的利用效率，导致其使用成本大幅下降时，该资源的总消耗量不但不会减少，反而会呈现爆发式增长。 TypeSafe AI 给 Jev 定下的价格是每百万输入 token 仅需 0.042 美元，输出免费。
按照这个资费，一天进行 1 万次业务决策，单月成本在 120 美元左右。而在以往，如果使用同等准确率的顶级推理大模型做这套流程，每月账单会直奔 3.5 万美元。
暴跌的成本，瞬间激活了那些此前被判定为「毫无商业价值」的边缘场景 。用 Jev 做 SEO 速度惊人｜图片来源：X 在内容分析领域， Distribb 的创始人拿 Jev 扫描了近六百个网页，在 45 秒内完成了内部链接地图的重构 ，布设了五百多个链接，总共花费 21 美分。
在过去，如果让顶级大模型来做这件事，同样的时间里连二十个页面都读不完。那位创始人的感叹切中了本质，「这不是内容创作，这只是 8790 次判断该连还是不该连的决策题。
这也解释了为什么创始人 Diogo Almeida 在离开 OpenAI 时会留下那句感叹，「 我们手里握着一道闪电，但它却没那么好用 。作为参与过构建 ChatGPT、共同发明 RLHF 的核心研究员，Almeida 的反思带着一种行业局内人的冷酷。
在他看来，整个行业被困在「优化人类自然语言」这条死胡同里太久了。计算机之间协同并不需要抑扬顿挫的修辞，机器需要的是明确的指令与概率。
过去四年 AI 界花费数千亿美元调教出来的语言能力，在严肃的系统工程面前，大部分时间反而是低效的阻碍。 Pi 框架的 CTO Armin Ronacher 谈到这一现象时直言不讳，「我们早该意识到这一点的。
只因为此前主流大模型一直被风投资本补贴得极为廉价，大家都习惯了挥霍，没人愿意去做真正的创造性思考。一旦这种廉价幻象被打破，架构设计的转向便不可逆转。
大模型，正在退回它原本该在的位置。它不应该当中央处理器，它更适合做前端的公关发言人 。
在未来的系统架构里，海量的毫秒级判断交给便宜得像自来水一样的直觉模型，只有在真正需要向人类用户输出成段文字、提供情绪价值或者起草复杂长篇报告的极少数节点，才需要把那个昂贵的生成式模型唤醒。 03 「判断」和「生成」分家 回看过去三年的 AI 叙事，主线一直是「大模型越来越大、越来越聪明、越来越全能」。
一个模型既能聊天，又能写代码，还能看图做表，什么都会。整个行业默认「智能」是一块铁板，不可拆分。
Jev 的出现，撕开了这块铁板。它证明了 有些工作需要推理和表达，有些只需要快速判断 。
把两者绑在一起，是一种结构性的浪费。 Jev 的大火，点燃了开源社区的热情｜图片来源：Google DeepMind Jev 上线仅一天，开源社区就已经跟进。
vLLM 贡献者用 Google 的 DiffusionGemma 迅速搞出了开源版本，初步测试准确率接近官方。这说明「判断模型」作为一个品类已经成立，而不仅仅是一家公司的产品创新。
更值得注意的是下游的架构变化。在 Jev 催化的新范式里， 一个 AI 系统不再只有「一个大脑」，而是开始出现分工 ：海量的毫秒级判断交给便宜到像自来水一样的直觉模型，只有在真正需要向人类输出成段文字、起草复杂文档的少数节点，才唤醒那个昂贵的生成式模型。
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。当一个判断的成本从几美分降到万分之一美分，开发者不是把原来的 100 次判断做得更便宜了。
他们开始做 10000 次以前根本不会做的判断。给每条数据库记录加一个语义过滤器，给每次工具调用加一个安全审查，给洗衣机加一个「衣服忘拿了吗」的判断。
这些不是现有工作的优化版本，而是全新的智能消耗场景。所以，你会用 Jev 来做什么创新？
*头图来源：jev-ai 本文为极客公园原创文章，转载请联系极客君微信 geekparkGO