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