Jev 判断模型：Diogo Almeida 的 TypeSafe AI 如何以 0.042 美元/百万 token 重构 AI 架构

Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-21

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO） AI 商业分析师结构化重组。

前 OpenAI 研究员 Diogo Almeida 创立的 TypeSafe AI 推出判断模型 Jev，该模型不生成任何自然语言，仅输出概率判断。上线数天内，全球开发者围绕 Jev 构建了近 500 个开源项目，覆盖 Agent 基础设施、移动端自动化、数据库查询、游戏控制等场景。Jev 的定价为每百万输入 token 0.042 美元，输出免费，较顶级推理大模型成本下降约 99.7%。这一产品形态标志着 AI 架构从单一生成模型向「判断与生成分工」的范式转移。

📊 核心实体与商业数据

💡 业务落地拆解

判断模型 Jev 在 Agent 基础设施中的成本结构颠覆

在 Agent 上下文管理领域，开发者 Tamara Tran 使用 Jev 压缩 Claude Code 上下文。Jev 不对历史工具调用做摘要生成，而是逐条进行相关性概率打分，低于阈值直接剔除。结果：接近 100 万 token 的上下文在 1 秒内被精简至 8.6 万 token，模型未生成任何字符。

在移动端自动化场景，Droidrun 团队的 mobile-jev 控制真实 Android 手机完成 Uber 叫车流程，全程 9 个操作步骤仅耗时 21 秒，未调用任何传统文字生成大模型，所有界面决策由 Jev 做极速概率匹配。

在数据清洗场景，一位开发者处理 9081 条产品匹配数据，此前因主流大模型 API 费用过高放弃，改用 Jev 后 13 分钟跑完，总账单 32 美分。

在内容分析场景，Distribb 创始人使用 Jev 扫描近 600 个网页，45 秒内完成内部链接地图重构，布设 500 多个链接，总花费 21 美分。

AI 架构从中央集权走向分布式分工

Jev 上线仅一天，开源社区即跟进。vLLM 贡献者使用 Google 的 DiffusionGemma 迅速构建开源版本，初步测试准确率接近官方。这表明「判断模型」作为独立品类已经成立。

在新的 AI 架构中，系统不再依赖单一「大脑」，而是出现分工：海量毫秒级判断交给低成本直觉模型，仅在需要向人类输出成段文字、起草复杂文档的少数节点唤醒昂贵的生成式模型。

「我们手里握着一道闪电，但它却没那么好用。」——Diogo Almeida

「我过去一直在用大语言模型回答根本不需要它的问题。衣服忘没忘拿是一个判断，不是一篇八股文。」——HA-Jev 插件开发者

「这不是内容创作，这只是 8790 次判断该连还是不该连的决策题。」——Distribb 创始人

「我们早该意识到这一点的。只因为此前主流大模型一直被风投资本补贴得极为廉价，大家都习惯了挥霍，没人愿意去做真正的创造性思考。」——Pi 框架 CTO Armin Ronacher

🚀 对企业 AI 化的启示

第一，重新评估判断型任务的成本结构。 企业应识别业务流程中高频、低复杂度的判断节点（如数据过滤、状态监控、安全审查），将其从生成式大模型迁移至 Jev 类判断模型，可实现 99% 以上的成本压缩。

第二，AI 架构设计需引入分工思维。 将「判断」与「生成」解耦，判断层使用低成本概率模型处理毫秒级决策，生成层仅在面向人类的输出节点调用高成本大模型。这一架构转变可显著降低系统延迟与运营成本。

第三，关注判断模型品类的生态成熟度。 Jev 上线数天即催生近 500 个开源项目，vLLM 社区已推出开源替代版本，表明该品类具备快速迭代和供应商多元化的潜力。企业应跟踪该领域开源进展，避免单一供应商锁定。

第四，杰文斯悖论的商业含义。 当判断成本从几美分降至万分之一美分，企业将激活此前因成本过高被判定为「无商业价值」的边缘场景，如给每条数据库记录加语义过滤器、给每次工具调用加安全审查。这些是全新的智能消耗场景，而非现有工作的优化版本。

【官方原文链接】点击访问首发地址