最近两天，硅谷的开发者社区被一个名为 Jev 的产品刷了屏。创始人的发布帖在两天内获得超过 3000 万次浏览和 6 万多个赞，DCVC 领投了 4000 万美元种子轮，有媒体给出的估值约为 2 亿美元。

那么，Jev 究竟是什么？

一、造它的人

Jev 的开发者是迪奥戈·阿尔梅达，此前是 OpenAI 的研究员，参与过 InstructGPT 的论文工作。InstructGPT 是 ChatGPT 的直系前身，正是那套让 AI 学会听懂人类指令、并以接近人类的方式回话的训练方法。

换句话说，这个人当年参与让 AI 学会了聊天。离开 OpenAI 之后，他花了两年时间，做出了一个不会聊天的 AI。

二、它只做三件事

Jev 不写文章，不写代码，也不与用户对话。它主动舍弃了大模型最核心的能力——生成文本。它承担的工作只有三类：从若干选项中挑出一个、给某个对象打分、判断某件事成立或不成立。仅此三项。

三、为什么要这样设计

阿尔梅达给出的理由是，当前的 AI Agent 系统里存在极大的浪费。

设想一位客服主管，每天有几千封邮件需要分拣，退款归退款，投诉归投诉。如果把这件事交给大模型，它会先输出一大段分析：“该客户情绪偏负面，涉及产品质量，建议归入投诉类……”这段话本身写得没问题，但系统并不需要它。系统真正需要的只是一个词：投诉。中间那些文字既没有人读，也没有软件会调用，生成出来就被丢弃了。

一个复杂的 AI 工作流，可能要完成上百次类似的判断。若每一次都让大模型走完一整套生成流程，相当于用大炮打蚊子。

Jev 要做的，就是把这类“小判断”单独拿出来，交给一个专用模型。它的架构并非把大模型做小，而是重新设计的一套并行采样方式：所有输出一次性产生，不必像大模型那样逐字往外吐。

四、速度、成本与可靠性

同样一次分类判断，GPT-4o 可能要花好几秒，Jev 则压缩到几十毫秒，快了接近 200 倍。成本方面，由于不需要生成任何文字，单次调用所占算力极小，官方称只有原来的四百分之一；输出 token 的费用被直接标注为“免费”，原话是“太便宜，不值得计量”。此外，它在数学上保证不会出现类型错误，幻觉率为 0%。

五、实际测试结果

Browser Use 的创始人做过一次演示：让 AI 搜索一张机票，由传统大模型驱动的浏览器 Agent 磨蹭了好几分钟，而把中间判断交给 Jev 之后，7 秒完成。

另有开发者用它压缩 128 万 token 的上下文，逐段判断哪些内容与任务相关，筛选后只剩 8.6 万 token，压缩了 93%，关键信息没有丢失。

还有开发者测试了 777 次分类，总花费约 0.25 美分，折合人民币不到两分钱。

六、为什么是现在

类似思路其实早有人提出过，为什么偏偏是 Jev 在这个时间点爆发？

原因在于，过去一年 AI Agent 从概念走进了真实的生产环境。Anthropic 最近披露的内部数据显示：半年前，由 Agent 主导的任务占比还不到 1%，如今已经升至 26%，同时有 3 万个 Agent 在运行。Agent 跑得越多，中间环节的小判断就越多；每一次都调用大模型，账单高得离谱，延迟也慢得让人难以忍受。Jev 出现的时间，恰好是所有人都已经受够了的时候。

七、这件事说明了什么

回看整个过程，有一点值得注意。过去两年，行业都在比“全能”，什么能力都往大模型上堆。但拆开来看，Agent 系统里真正需要语言能力的环节，可能连一半都不到。大量中间步骤需要的只是一个选择、一个评分、一个是或否。我们一直在用会说话的模型，去做不需要说话的活。以前没有别的选项，只能如此；现在 Jev 出现了，它未必是最终答案，但它让这种错配被看见了。

需求匹配得准，比一味追求全面更重要。做产品如此，做 AI 也是一样。

科技先锋官##How I AI# #Jev为何火爆AI圈