95美元 vs 4000万美元：一个不会说话的AI，48小时被开源追平
素材说明：本文基于公开报道、开源项目自述数据与开发者实测交叉整理，
数字均标注来源与测试条件，非单一来源转载。
01 48 小时，14 个项目，95 美元
9 月 15 日，一家拿了 4000 万美元种子轮的公司发布了一个模型。
9 月 17 日，有人用 95 美元把它复现了。
准确地说：Jared Palmer 花约 95 美元的 Modal H100 租金，外加 3 美分的 Jev API 调用费，基于通义千问 Qwen3.5 训练出了三个开源决策模型——Kev，0.8B / 4B / 9B，Apache 2.0 协议全公开。
成绩单是这样的（new-source 锁死测试集）：
|
|
|
|
|---|---|---|
|
|
|
|
| Kev-9B | 0.837 |
|
|
|
|
|
|
|
|
|
差 2 个百分点。
同一周里，还有 Bespoke Labs 的 Nimble（Qwen3.5-9B 微调），在 324 条 held-out 样本上拿到 90.12%，Jev 是 93.21%——差 3 个点，而它只有 90 亿参数，比 Qwen3.8-27B 小三倍，还高出 5 个点。
还有 SemIf（2685 stars）、jevlike（1122 stars）、openjev。
发布不到一周，社区炸出了十几个项目。
被复现的这个模型叫 Jev，出自 TypeSafe AI，创始人 Diogo Almeida 是 RLHF 和 InstructGPT 的共同发明人——ChatGPT 和 GPT-4 背后最核心的那一步，出自他手。
而他这次做的模型，一句话都不说。
02 让 AI 学会闭嘴的人，正是当年让它开口的人
Jev 不聊天，不写代码，不解释任何事情。你问它问题，它不回一句话——它只回一个数字、一个选项，或者一个 0 到 1 之间的值。
它在 Vercel 的 AI Gateway 上线 24 小时内，接近 13% 的付费团队在用，是 GPT-5.6 系列的两倍、Fable 5.1 的六倍以上。Vercel 称其为"网关历史上采用最快的模型"。一周内，Vercel、Cloudflare、LangChain、Langfuse 全部接入。
Almeida 这样解释它的必要性：
"像问 LLM 一样，向 System One 模型抛出一大堆结构化问题，答案几乎瞬间返回。而 LLM 的响应要慢上几百倍。看看 LLM 是怎么顺序生成的——这对自然对话很棒，但对计算机完全没用。"
大语言模型一个 token 一个 token 往外吐，因为人类说话就是一句一句的。但软件不需要句子。软件需要的是判断结果。
它只提供三种东西，官方叫 primitives：
-
- Choice
—— 从你给的选项列表里选一个，带置信度 -
- Score
—— 在你定义的刻度上给个分，带置信度 -
- Noul
—— 是/否判断，只返回一个 0 到 1 之间的值，不给置信度 -
速度 70 到 500 毫秒，对标前沿模型是 3 到 329 秒。价格：输入每百万 token 0.042 美元，输出免费——因为它根本不生成文本，没东西可计费。
独立开发者 Flavio Copes 给过一个最精准的比喻：
"Jev 就是一个聪明的 if 语句。"
03 但真正的用法，藏在一组 62.6% 里
大部分报道都在讲"快 200 倍、便宜 400 倍"。
真正值得注意的，是另一组数字。有人拿 2000 封钓鱼邮件做了独立测试：
|
|
|
|---|---|
|
|
62.6% |
|
|
|
| Jev，拆成五个窄问题 | 95.0% |
同一个模型、同一个任务，问法不同，差 32 个百分点。
所以结论不是"Jev 更强"或"Jev 更弱"，而是：决策模型的性能，不取决于模型，取决于你怎么拆问题。
这是它和聊天模型最根本的区别。你问 ChatGPT 一个问题问得糙，它还能靠上下文猜你的意思，糊弄出一段像样的回答。你问 Jev 一个问题问得糙，它就老实给你一个 62.6%。
它把"你到底想要什么"的成本，从模型身上挪回了你身上。
顺带一句：这个技巧不只适用于 Jev。TypeSafe 自己的图表显示，光是把一个长判断拆成几个小问题，就能让现有模型涨 15 个百分点。你今天就能试。
04 社区把它玩坏了
发布这几天，最好看的不是论文，是开发者拿它做的怪东西。
jevchat（Kyle Pena）——把 Jev 变成一个聊天模型。做法是在每一步问它："给定用户的问题和已经写好的回复，下一个符号是什么？"一个一个符号往外蹦。
效果极其糟糕。Hacker News 用户 ericpruitt 的评价是：
"这是 Morty 拿着死亡水晶说话的数字等价物。"
（《瑞克和莫蒂》里那块能让人看见所有可能死亡方式的水晶。）
jev-left-pad（Fatih Kadir Akın）——用 Jev 实现 2016 年那个著名的 npm 包。问它："要在值前面加几个空格才能达到目标长度？"选项从"需要 0 个空格"到"需要 10 个空格"。上了 Hacker News，108 分、44 条评论。
jev-2048（Andy Gayton）——让它玩 2048。有人做了个 Jev 对战 LLM 的网页，Jev 每一步返回概率（比如"向左：0.78"），LLM 只返回一个固定动作。选 2048 是因为它强制连续几百次判断，把速度和成本差异放大到肉眼可见。
这些项目没一个"有用"。但它们把一个抽象概念变成了所有人都能看懂的东西：这不是一个会说话的 AI，这是一个会下注的 AI。
05 开源这边的活儿，干得比想象中漂亮
玩笑归玩笑，开源复现是真的硬。
Nimble 的训练数据怎么来的，是这批项目里最值得看的。他们搞了个方法叫 contrastive data curation（对比式数据构造）：
构造两个几乎一模一样的样本，只改一个关键事实，让正确答案翻转。
比如规则是"只有 Mira 可以授权账户 42 的退款"。两个样本里政策部分完全不变，只把授权记录的签名人从 Mira 改成 Noah。前者答案 true，后者翻成 false，其余文本一字不差。
模型被迫学会的，是到底哪条证据才真正应该改变决策。
这个方法的妙处在于：不需要人工标注概率，也不需要从 Jev 蒸馏。标签是硬的对/错，模型自己学会区分。整个训练集 2676 条，覆盖 10 个领域。
推理时它不生成思维链、不生成 JSON——直接读候选答案 token 的 logits 转成概率，程序拼成结构化输出。能不生成一个 token，就不生成一个。 单张 H100 上，每题中位 106 毫秒。
Kev 那边挖出了一个更有意思的发现：学习率是控制基座能力流失的关键。默认学习率 2e-4 会把基座模型已经学会的知识"训没"，降到 5e-5 就能保住大部分。
这说明这类微调不是让模型学新东西，而是教它怎么"用"已有的能力去做决策。
架构上，Kev 把多个问题塞进同一个 token 序列，用注意力掩码让它们互相看不见——一次前向传播里批处理一堆独立判断。实测：6 个问题打包成一次请求是 166 毫秒、253 个 token；拆成 6 次请求是 246 毫秒、408 个 token，答案的最大概率差是 0.0000。
隔离性是真做到了。
另一个项目 SemIf 在单张 RTX 3090 上，回答 21 个是/否标准用 1.023 秒，生成式方法要 5.332 秒。
而且——这些项目全部声明没有从 Jev 蒸馏。它们证明的是：做 System One 决策模型，不需要秘密配方。
06 那么问题来了：那半个百分点，值多少钱？
这是整件事里最尖锐的一个问题。
Kev-9B 在自己的硬件上跑，离托管版 Jev 只差 2 个百分点（clauday 的报道里甚至说是半个百分点，取决于比哪一组测试集）。训练成本 95 美元。
如果两三个百分点就是托管服务的全部价值，那人们到底在为什么付钱？这个差距能撑到下一个基座模型发布吗？
目前桌上唯一的证据，是校准度：Jev 的 Brier 分 0.211，Kev-9B 是 0.237。也就是说，准确率快追平了，但 Jev 对"自己有多确定"这件事的判断，仍然更诚实。
而校准恰恰是最容易被忽视、也最容易出事的地方。Kev-4B 在 8.2% 的问题上，会给一个错误答案分配 0.9 以上的概率——它错得极其自信。
反过来看也有好消息：在"完全无依据的不可知问题"压力测试里，Kev-9B 只有 5% 的极端案例过度自信，碾压上一代的 26%，甚至反超了 Jev 的 9%。
一句话总结这个局面：决策模型剥离了文字创作的幻觉，却无法免除概率本身的盲区。
还有一个绕不开的偏见问题。有人让 Jev 给一些地区做评分，它把 Cupertino 排最高、East Palo Alto 排最低。Simon Willison 的警告还是那句："希望没人用它给求职者排名。"
好消息是，正因为调用便宜到几分钱能跑上千次，系统的结构化评测第一次变得负担得起。
07 不是孤例：大家都在把"生成"从关键路径上拆掉
如果把视野拉开，Jev 不是单独一个怪东西。
一周之内，至少四个产品在做同一件事——把自由生成从关键路径上移除：
-
- Cua 的 CUA-S1
：给屏幕上已有的 UI 元素打分，而不是生成点击坐标 -
- Jev
：返回校准过的概率，而不是一段话 -
- Vercel 的 json-render
：返回一个组件 id，而不是生成标记语言 -
- Kev
：这些概率应该来自你自己机器上那个 90 亿参数的模型 -
没人协调过这件事。
行业里已经有个说法描述这个分工——快慢分工：昂贵的大模型负责规划这类"慢思考"，高频、原子化的"快判断"交给轻量决策模型。负责组装这套分工的工程层，叫 Harness。
贵模型想，便宜模型判。
顺带说一句国内的：TypeSafe 官方使用条款写明网站核心面向美国境内访客，服务只部署美西海岸（那个 70-500 毫秒是西海岸本地测的），且官方自承中文等 CJK 语料准确率不如英文。APUS 在 9 月 19 日开源了 fast-browser-use，用本地 Qwen3.5-9B 在 M2 Pro 上跑浏览器自动化，中位 18 秒，零云端调用、数据不出本机。
官方进不来、中文弱、数据要出海——这三件事叠在一起，本地路线对国内团队可能才是真正能落地的那个。
08 名字里藏着答案
最后说回这个名字。
Jev，取自 19 世纪经济学家 William Stanley Jevons。他提出了著名的杰文斯悖论：当技术进步提高了某种资源的使用效率，这种资源的消耗量反而可能上升，而不是下降。
煤炭蒸汽机效率越高，煤烧得越多。
一个"让决策变便宜 400 倍"的模型，取名叫 Jev。这不是在炫速度，是在说结果：决策的成本一旦暴跌，决策的用量就会暴涨。
过去三年，AI 一直在做同一件事——让模型说话说得更好。而 Jev 有意思的地方在于，它是第一个靠拒绝说话而变得重要的模型。
它不会替代大模型。但那些原本不可能自动化的判断——那些因为"调一次 API 太贵太慢"而一直由人肉承担的小决定——会开始被接管。
不是某个模型变快了。是"判断"这件事，从奢侈品变成了自来水。
而自来水的特点从来不是贵不贵。
是你拧开就有，然后就再也想不起没水的时候。
你怎么看？ 如果一个开源模型能在你自己机器上跑到只差 2 个百分点，你还愿意为托管 API 付费吗？评论区聊聊。