Jev看似要掀GPT桌子？实则并非同赛道

最近一段时间，一款名为Jev的新模型突然在行业内引发关注。不少演示案例显示，它的推理速度能达到主流大模型的数十倍甚至上百倍，使用成本却极低，这让很多人不禁猜测：难道GPT、Claude这类主流大模型要被颠覆了？

它们真的在同一场竞赛中吗？

上线短短一周，网上就出现了大量亮眼的演示案例：有人用它运行DOOM游戏，战斗中每秒能完成十余次判断，能精准实现露头即击杀；有人用它在40秒内完成数百条广告的分析；还有人用它搭建了自动驾驶的模拟演示程序。从游戏、广告到地图、自动驾驶，似乎各个领域都能见到它的身影。

不少宣传称它能实现几百毫秒内返回结果，“速度碾压Claude”“使用成本仅为同类产品的百分之一”，看起来仿佛就是专门来撼动主流大模型市场的。但仔细想想，它们真的属于同一赛道吗？

其实它根本掀不了桌

实际上，Jev和GPT、Claude根本不属于同一类模型。GPT、Claude属于我们熟悉的通用大语言模型：当你让它撰写文章时，它会逐字逐句生成完整内容；当你让它编写程序时，它能直接输出可运行的代码，整个过程是一个token接一个token地逐步完成输出。

而Jev走的是完全不同的路线，被称为System One Model。它并不具备自由生成文本或代码的能力，输出类型主要分为三种：

现阶段的Jev更像是一个AI化的条件判断工具：它无法像GPT系列模型那样直接生成完整的新代码，也不能独立完成文章撰写、开放式研究，更没办法从零搭建一套完整的软件系统。很多看似炫酷的演示案例，真正完成核心工作的其实是外围代码、现有工具或是其他模型。

以之前的DOOM游戏演示为例，实际上是程序员先完成了前置准备：先整理出当前角色的血量、弹药量、敌人位置等信息，再列出这一刻可以执行的动作，比如前进、转身、开枪、换武器等。完成这些准备后，再将信息交给Jev，由它选择具体动作，最后由外部程序完成实际执行。

这么看来，Jev目前还无法取代GPT、Claude这类主流大语言模型。

但它确实有独特的应用场景

Jev舍弃了生成能力后，换来了两个核心优势：推理速度极快，使用成本极低。但现实中有大量工作，根本不需要AI生成大段的完整内容。

比如简历筛选环节：企业一次收到数千份求职申请，核心工作只是判断候选人是否具备相关经验、是否与岗位匹配、是否需要进入下一轮面试，再将不同候选人分配到对应岗位中。

还有团队用Jev处理300封杂乱邮件，将每封邮件自动归类到15个不同的部门中，整个过程仅用了9.9秒，总成本仅0.036美元。

Jev的这种模式，天生适合将原本成本较高的智能判断任务，扩展到超大规模的数据量中。

甚至主流大模型本身，也可以成为Jev的审核对象。比如代码开发场景：以往使用Claude、Codex完成项目时，大多需要开发者自己编写代码、自行检查问题，发现错误后再修改，不仅可能继承之前的判断盲区，每次检查还需要重新读取上下文、重新推理和生成，既慢又贵。

Jev可以直接嵌入这个流程中：由主流大模型负责编写代码，Jev负责审核检查。比如验证代码正确性是否达标、测试覆盖是否足够、是否存在安全风险，判断当前版本是否可以继续推进。如果未通过审核，就打回修改；通过审核，则进入下一步开发流程。

更进一步，Jev甚至可以负责调度模型资源：当接收到一个任务时，先判断任务的难度、类型和风险等级，将简单任务交给成本更低的模型，复杂任务则调用性能更强的模型，风险过高的任务直接转交给人工处理。

在智能代理（Agent）运行过程中，Jev也可以帮助判断下一步应该调用哪个工具、哪个模型，或是直接暂停任务。Jev本身就是为嵌入软件工作流设计的，擅长完成分类、路由、评分、验证和分支判断等任务。

过去行业内一直在追求一个全能的超级模型，能够包揽规划、生成、检查、执行所有环节。而Jev提供了另一种完全不同的思路：将不同能力的模型各司其职，组合使用反而能达到更好的效果。

AI落地企业，真正的挑战才刚刚开始

当AI工具可以轻松嵌入业务流程后，企业需要解决的问题会变得更加具体：哪些环节应该引入AI，哪些现有流程需要重新设计，以及如何实现人类员工和智能代理之间的配合。如果只是将AI生硬地塞进原有流程中，即使模型性能再好，也很难真正释放效率。

过去三年间，猎豹移动一直在深耕企业AI落地的实践：从高层亲自推动落地，到将AI真正融入核心业务，再到同步调整流程、组织架构和协作方式，团队在这个过程中踩过不少坑，也积累了一套成熟的落地方法。

我们将这些经验浓缩为一天的「猎豹AI实战派」线下课程。课程分别将于10月16日在深圳、10月30日在上海举办，我们将从认知到实操，完整拆解企业如何将AI真正融入业务的全流程。如果你也在思考企业AI转型的落地路径，欢迎扫码报名，带着真实问题参与交流。