Jev 是这两天 AI 圈最炸的话题——刚好与博客园"未来AI笔记"这篇文章的标题吻合。创始人 Diogo 

Almeida 是 ChatGPT 的共同发明人、RLHF 的核心贡献者。[citation:19.2][citation:19.9] 这个模型

引爆硅谷不到 36 小时，14 万开发者涌入内测。[citation:19.12]

---

一、Jev 在做什么：把"聊天"从 AI 中彻底拿掉

传统 LLM 无论输出什么——哪怕是 JSON 或函数调用——底层都是在逐 token 自回归生成。即使用户

只要一个"是/否"的判断，模型也要先自言自语生成几十上百个 token 才能给出答案。[citation:19.1]

Jev 走了一条完全相反的路：它不生成任何文本。 它的一次前向传播（One Parallel Pass）同时输出所

有预设选项的概率分布——结构化的、类型安全的、带概率的决策。[citation:19.4][citation:19.9]

传统 LLM：

 "这个邮件是垃圾邮件吗？" → 逐个 token 生成 → "根据我的分析，这封邮件..."

 ❌ 耗时长、成本高、输出不确定

Jev：

 state: { 邮件内容, 发件人, ... }

 question: "是垃圾邮件？" → 一次前向传播

 ✅ 直接返回: { label: "YES", probability: 0.97 }

Jev 支持三种输出形式：[citation:19.4][citation:19.10]

| 类型 | 说明 | 示例 |

|------|------|------|

| nule | 是/否判断 | "这个请求是否应该路由到客服？" |

| choice | 从预设选项中选 | "这条工单应分配给 {销售, 技术, 财务}" |

| score | 量表打分 | "客户情绪激烈程度 0-10" |

---

二、核心数据：为什么它让开发者连夜改 API

| 指标 | 传统 LLM（GPT-4） | Jev |

|------|:----------------:|:---:|

| 响应速度 | 数百毫秒 ~ 数秒（逐 token） | ~70 毫秒 [citation:19.12] |

| 输出形式 | 自然语言 / JSON | 结构化类型决策 + 概率 [citation:19.10] |

| 输出 token 费 | 付费（逐 token 计价） | 永久免费 [citation:19.12][citation:19.14] |

| 幻觉风险 | 天然存在 | 理论上为 0（仅在预设选项中判） |

| 架构路线 | 自回归（System 2） | 一次并行前向传播（System 1） [citation:19.9] |

Vercel 工程师的实测反馈：速度提升 5-18 倍，准确率反而提高了。 [citation:19.14]

---

三、Jev 不是 ChatGPT 的替代品——它是 Agent 架构中缺失的那层

3.1 "System 1" vs "System 2"

这个命名来自卡尼曼的《思考，快与慢》：

| | System 1（快思考） | System 2（慢思考） |

|--|:----------------:|:----------------:|

| 代表模型 | Jev | GPT / Claude / DeepSeek |

| 机制 | 一次前向 + 并行决策 | 逐 token 自回归推理 |

| 速度 | 毫秒级 | 百毫秒 ~ 秒级 |

| 适合 | 确定性决策、分类、路由、验证 | 复杂推理、创意生成、对话 |

| 成本 | 极低 | 高（逐 token） |

3.2 分层 Agent 架构中的位置

LangChain 在 Jev 发布后第一时间发了集成博客，设想的架构是：[citation:19.15]

 ┌───────────────────────┐

 │ 推理层 System 2 │

 │ (GPT / Claude / ...) │

 │ 复杂推理、规划 │

 └──────────┬────────────┘

 │

 ┌──────────▼────────────┐

 │ 决策层 System 1 │

 │ Jev │

 │ 分类、路由、验证 │

 └──────────┬────────────┘

 │

 ┌──────────▼────────────┐

 │ 执行层 │

 │ 工具调用 / API │

 └───────────────────────┘

核心变化：Agent 循环中那些"快速结构化的判断"——比如"这条用户反馈该转给哪个部门"、"这个请求是否需要人工介入"——原来每次都调一次完整 LLM，现在用 Jev 在 70ms 内解决。 [citation:19.15]

---

四、为什么说这是对当前范式的一次"公开叫板"

整个行业过去三年在追求的是：让模型"思考得更久"——Chain-of-Thought、o1/o3、DeepSeek-R1，都在拉长推理链条。Jev 走的完全是反方向：砍掉输出，只做判断。

这篇报道里有一句很准的描述：[citation:19.2]

那个教 ChatGPT 说话的人，做了一个哑巴模型。

创始人 Diogo Almeida 自己说："行业走偏了。" 他的判断是——大多数 AI 在生产环境中根本不需要"说话"，只需要"做决定"。

---

五、Jev 的局限：它解决不了什么问题

实测评价（新浪财经 2026-09-20）指出："没那么强，但足够给有些乏味的 AI 圈带来新刺激。"[citation:19.3]

它擅长的事

邮件分类、工单路由、内容审核、A/B 分流

代码审查中的"是否合并"判断

客服场景中的情绪识别 + 部门分配

自动化决策链路上的结构化判断节点

它做不了的事

写代码、写文案、聊天、翻译（因为不做文本生成）

开放式推理（你无法问它"解释一下为什么"）

任何需要输出一段内容的任务

---

六、对 AI 工程架构的真正冲击

Jev 带来的不是"一个新模型"，而是一个架构层的新选择。它把 AI 在业务系统中的角色从"内容生成器"拆成了"流程判断器"。[citation:19.8]

以前你用 AI 做一件事，是一条路：

用户意图 → 调 LLM → 等几百个 token → 解析 JSON → 执行

现在可以拆成两条路：

用户意图 → Jev（判断分类）→ 根据分类路由到不同 LLM 或直接执行

 → 复杂推理 → 调 GPT/Claude

这本质上在复现经典软件工程的分层原则——不是让一个模型干所有事，而是让对的模型干对的事。

Jev 不是来取代 ChatGPT 的——它是来把 Agent 架构中"不该由大模型干"的那部分活接走的。 当 AI 不再需要每次都说一堆废话才能做决定时，业务系统的响应速度和可靠性都会上一个台阶。