爆火Jev模型：7秒搜航班，还能同时跑50场游戏

一片树林里分出两条路，而我选了人迹更少的一条。

最近，一个叫 Jev 的模型在社媒刷屏。在 jev.openchamber.devg 上，相关应用已聚集 6000 多个作品：有人用它搜航班，7 秒跑完整个流程，成本不到 0.004 美元；还有人让它同时跑 50 场《地铁跑酷》。

Jev 创始人 Diogo Almeida 曾在 OpenAI 工作，参与过让语言模型学会遵循指令的研究，这些工作后来成了 ChatGPT 的基础。而这次，他创造的 Jev 走了一条几乎没人走过的路。

Jev 所属类别叫「System One」，命名来自 Daniel Kahneman 的《思考，快与慢》。Kahneman 把人类认知分成两个系统：系统 1 快速、自动、直觉式；系统 2 缓慢、费力、需集中注意力。当前大语言模型，尤其加了推理能力的，走的是系统 2 路线，逐个 Token 生成，追求深度和准确，代价是慢和贵。而 Jev 走系统 1：不逐 Token 生成，而是并行采样，一次性输出所有概率。

它不生成文本，不写代码，不聊天，只做一件事：做决策。你给它一堆非结构化信息，再给几个预定义选项，它挑一个最合适的，连同置信度返回。整个过程 70 到 500 毫秒，输出 Token 成本低到官方标注「免费，太便宜不值得计量」。

日常工作中有许多任务本质是选择题：分类、路由、评分。这些任务不需要模型洋洋洒洒写一大段话，只需要快速、准确、带置信度的判断。Jev 放弃字符串生成能力，换来极快速度、极低成本、零类型错误和校准过的置信度。官方数据：同等智能水平下，Jev 比前沿模型快 40 到 200 倍，便宜两个数量级。输入 Token 每百万 0.042 美元，约为 GPT 系列的百分之一。

Jev 输入一段话，输出一段概率，非常快。以用户退款场景为例，用户留言：「你们这个会员自动续费也不提醒一下，直接扣了我 88 块，我要退款！」经 API 封装后，给定预设分类，Jev 输出判断结果。

几个爆火应用：browser-use 团队做的航班搜索。传统浏览器 Agent 需截图、视觉模型识别、生成文字描述再解析动作，搜航班可能一两分钟。Jev 全程不截图，用轻量 JavaScript 把页面可交互元素提取成结构化表格，连同用户目标交给 Jev，它从元素里选一个点击或填写，执行后再提取新表。在 Google Flights 搜航线，8 次表单操作，总耗时 7.1 秒，仅花 0.0039 美元。开发者 Toran Bruce Richards 把 Jev 接到驾驶模拟器原始控制系统：每 50 毫秒一个决策循环，程序把车辆状态发给 Jev，Jev 从「加速、减速、左转、右转、保持」中选一个，接近人类反应速度。X 上 @milesdeutscher 用 Jev + Opus 5.5 构建 AI 交易机器人，结合高频算法交易框架，实现股票实时自动交易。

过去两年，大模型竞争基本是一条赛道：通用智能。模型越来越大、能力越来越强、价格越来越贵，再想办法降价。Jev 跳出这条曲线，垂类模型训练成本更低，特定任务效果更好。用 GPT 判断垃圾邮件，技术上可行，但要等 3 到 5 秒，花几分钱；每天处理 10 万封邮件，API 成本难以承受。Jev 把单次决策成本压到万分之一美元量级，延迟压到 100 毫秒以内，直接解锁这些场景。即使未来通用模型在决策任务上追上来，Jev 在速度和成本上的优势依然存在。这跟大模型做 Flash 系列逻辑很像，但 Jev 更极端，直接放弃生成能力。

这种取舍解锁了新可能：有人用 Jev 自动玩闯关小游戏，每秒几十次决策，成本几乎为零；有人根据任务难度做 LLM 自动路由，简单问题交给 Jev 瞬间判断，复杂问题才调用大模型深度推理。官方博客列出最适合场景：AI 驱动工作流，即「智能 if 语句」，在普通代码里嵌入模糊决策节点，用于分类、路由、评分、提取、分支；大数据 Map-Reduce，把 PB 级数据批量转化为特征和洞察；实时应用，100 毫秒速度可放进用户体验敏感产品；对 LLM 输出做评分、判断、护栏和越狱检测。

Jev 不是替代大模型，它填补的是此前被忽视的生态位：通过 AI 实现高频、低延迟、结构化的微决策。

大模型这几年把一切机器学习和自然语言处理的分类、翻译、预测任务都抽象成同一个任务：预测下一个 Token。这种统一性带来规模效应，但也意味着所有任务都在为「生成」能力买单，哪怕任务根本不需要生成。当大模型能力逐渐接近人类，行业开始走回头路：不是所有任务都需要系统 2 的深度思考，有些天然就是系统 1 的直觉判断。Jev 把这部分需求剥离出来，用完全不同架构去服务，反而效果更好。大模型为提高准确度发明思维链、重复提示、自我反思，本质是用更多 Token 换更好结果；Jev 为速度全部舍弃，用并行采样一步到位。这也是自 GPT3 发布后，大模型第一次