AI不再只会聊天：Jev一周内被塞进多款产品

TypeSafe于9月15日发布System One Model（Jev），该模型不生成回复或代码，只接收状态信息和问题，返回选择结果、分数或概率。社区对此有两种看法：一部分开发者认为思路不新鲜，零样本分类、BERT编码器、GLiNER等早有类似做法，且Jev未公开架构、权重和训练细节，难称技术突破；另一部分人则关注其在实际业务中的应用。

多个案例展示了Jev的落地方式。Drape虚拟试衣产品用Jev判断用户语音指令对应的下一件衣服，每次判断约620毫秒、成本约0.0011美元。作者自建3D试衣间demo对比发现，Jev完整请求平均约380毫秒，DeepSeek Flash约662毫秒，Jev延迟低约43%；Jev每千次请求约0.17美元。Jev能将多个选择题组织成一次请求，快速返回结构化选择和候选概率，但概率不会自动纠错，产品仍需校验和兜底。

Polar Browser发布Jev for Hiring，让浏览器在LinkedIn、GitHub等平台筛选候选人，Jev负责读取资料并给出受约束判断。Keep.md为收藏库接入Jev，根据用户阅读习惯分类并生成优先级分数，适配长期运行场景。StealAds用Jev分析37个品牌724条广告，完成8724次判断约40秒、成本约9美分。LlamaIndex创始人发布DocJev，在准确率相近下比GPT 5.6 Luna快约6倍。

与此同时，社区尝试用开源模型复刻类似能力。有人用Qwen 2.5 1B读取候选答案概率，mini-Jev和kev甚至用Qwen2.5 0.5B在MacBook本地运行。这些实验说明快速分类、候选打分并不神秘，但不等同于复现Jev。

Jev更适合答案有固定选项、程序需反复大量判断的场景，如Drape衣橱、Polar候选人筛选、Keep内容排序、StealAds广告属性判断、DocJev文档分类，以及Computer Use中从有限DOM元素里选择动作。一旦需要模型自行生成参数、代码或文本，Jev优势迅速缩小。本地7B模型测试显示，普通模型靠提示词约束也能输出0、1或置信度，部分场景准确率更高。Jev优势集中在响应速度和结构化输出能力，更像AI软件中的专用组件，负责海量、答案范围固定、对延迟敏感的轻量判断任务，而非替代整个Agent。