杰文斯悖论下的AI新方向：Jev专注高频决策
近期，一款名为Jev的全新大模型引发了行业关注，它和市面上绝大多数主打生成能力的AI产品有着本质区别。
这款模型的创始人曾在知名AI实验室任职，参与了RLHF和InstructGPT的研发——正是这套技术让GPT真正实现了自然语言交互，催生了ChatGPT和GPT-4。这位创始人在2024年初离开原团队开启创业，经过两年的低调研发，终于在2026年9月推出了Jev。
和你熟悉的ChatGPT、Claude等大模型不同，Jev的功能极其纯粹：它不会聊天、不会写代码，甚至无法生成任何文本内容，唯一的作用就是完成高频决策与判断，是一款通用分类器。
有开发者基于Jev制作了一款浏览器插件，用于过滤海外社交平台上不想看到的内容。用户可以自定义过滤规则，比如不想看引战内容、加密货币相关话题、政治争论，或是专门用来挑起情绪的帖子。每当平台加载新帖子时，Jev会在后台快速完成一次判断：这条内容是否命中用户设置的过滤条件？如果命中就直接折叠隐藏，未命中则正常展示。整个判断过程平均仅需380毫秒，几乎是在用户浏览的瞬间完成。
反观传统大模型，即使开启JSON输出模式，完成一次简单的二分类判断也需要十几秒甚至几十秒；如果开启思维链功能，耗时会更长。但这类场景下我们根本不需要大模型生成长篇解释，只需要一个明确的Yes/No答案，Jev正是为这类需求量身打造的。
这款模型在性能上实现了巨大突破：推理速度比传统大模型快20到200倍，几乎可以实现实时响应，甚至可以实现每秒10次的游戏决策；同时成本降低了40到400倍，每百万Token仅需0.042美元，而且输出Token完全免费，因为每次决策仅需要极少量的输出Token。
目前已经有不少开发者用Jev实现了各类自动化场景：有人用它玩马里奥游戏，因为游戏的核心就是一系列按键决策；有人用它批量操控浏览器查询航班信息，整套流程仅用7秒就完成；还有开发者基于Jev搭建了交易机器人，因为交易的本质就是买与卖的决策判断。
Jev的研发团队将这款模型定义为「System One Model」，这个名字来源于丹尼尔·卡尼曼的经典著作《思考，快与慢》。书中将人类的思维分为两种：系统1是快速、直觉式的自动思考，比如脱口而出1+2=3；系统2则是慢速、需要逐步分析的理性思考，比如解数学题、写复杂代码。目前主流的GPT、Claude等模型都在强化系统2的能力，而Jev则选择了系统1的赛道。
为了实现极致的决策效率，团队重新设计了模型架构和并行采样器，还开发了名为RLCD的训练方法，全称是Reinforcement Learning for Calibrated Decisions，也就是面向校准决策的强化学习。和RLHF优化人类偏好、RLVR优化答案可验证性不同，RLCD的核心目标是优化决策的准确性，同时确保模型输出的置信度真实可信。
比如当Jev输出90%的置信度时，这个概率是有实际参考价值的：如果置信度高于0.9，可直接自动执行；0.7到0.9之间则交给更强的大模型复核；低于0.7则交由人工决策。
更值得一提的是，Jev支持一次性并行处理多个判断任务。比如输入一条新闻内容，可以同时提问「是否和AI相关？」「是否是广告？」「是否涉及融资？」「应该归类到哪个领域？」「是否值得推荐？」等多个问题，Jev可以同时完成所有判断，速度远超传统大模型逐个生成答案的效率。
有团队对Jev进行了实际测试，将它和GLM-5.3 Flash、DeepSeek V4.1 Flash、Qwen 3.7 Flash放在100道AI相关内容的预筛任务中对比：GLM-5.3 Flash是唯一全对的模型，但速度最慢、成本最高；Qwen 3.7 Flash成本最低，但准确率稍差；Jev则取得了准确率第二的成绩，同时成本比DeepSeek V4.1 Flash更低，只是因为国内网络延迟拉高了响应时间。
在更大规模的事件聚簇判定任务中，Jev凭借并行处理的优势成为了速度最快的模型。在同时需要处理多个判断的场景下，Jev兼顾了最高准确率、最快速度和第二低的成本，在分类判断场景中拥有极高的性价比。
Jev这个名字源自经济学中的杰文斯悖论，由经济学家William Stanley Jevons提出。19世纪时，蒸汽机效率不断提升，理论上相同煤炭可以完成更多工作，人类应该会减少煤炭消耗，但实际结果恰恰相反：蒸汽机效率越高，使用煤炭的成本越低，更多行业开始使用蒸汽机，最终全社会的煤炭总消耗量反而上升了。
研发团队用这个名字命名模型，意在赌一个方向：当智能决策的成本大幅降低、效率大幅提升时，整个社会对这类智能服务的需求会爆发式增长，就像杰文斯悖论描述的那样。
我们一直在讨论AI的生成能力，但Jev让我们重新思考：AI的智能不一定非要体现在生成内容上，精准高效的决策判断同样是重要的智能形态。这款模型或许代表了Agent时代被我们忽视的一个重要方向，当低成本、高准确率的决策AI普及后，未来的智能世界可能会和我们现在想象的不太一样。
