Jev为啥刷屏：前OpenAI研究员把Agent的判断题做成了生意

火成这样，我是真没想到

一个不能聊天、不能写代码的模型，几天刷屏X、GitHub和Agent圈。相关推文据说 3700万人 围观。有人拿它 40秒扫724条广告，有人塞进Claude Code清上下文，有人拿它给Agent改卷，还有人拿它决定浏览器下一步点哪

连OpenAI那位”重置之神”Tibo都下场转了。LangChain 9月20日直接发了篇Jev-as-a-Judge实验

这篇说三件事：Jev到底是个啥？火，真的是因为强吗？咱能抄啥作业

先给结论，不绕弯

Jev火，不是因为更聪明，是因为把Agent里最烦的那堆判断题，做成了一个敢写进代码的便宜货

先说人：前OpenAI研究员，憋了两年

TypeSafe创始人Diogo Almeida，之前在Google Brain和OpenAI，InstructGPT和GPT-4报告都有他。原话挺扎心：在OpenAI做了让人跟机器聊天的方法，结果发现聊天离自动化还差一大截

然后 stealth 两年，9月15日扔出Jev，还融资了 4000万美元，DCVC领投

名字有意思。System One取自卡尼曼《思考，快与慢》，快思考。Jev取自经济学家Jevons，杰文斯悖论那个Jevons：蒸汽机越省煤，煤用得越多。TypeSafe赌的是智能越便宜，用量越大

这饼画得大不大

大。但这次人家带了收据来，虽然收据也有水分，后面细说

这玩意儿到底啥：判断题机器，不写作文那种

一句话：非结构化 state 进，带概率的类型化判断出

三个原语，贼简单：

choice 选一个，返回选项加概率加置信度。比如这条搜索算啥：搜对了、瞎搜了、根本没搜

score 打个分，有序量表。比如回答有用没用，1到5

noul 是或否，直接给 P(true)，0到1。比如最终答案有没有依据

客服邮件那个例子，机器之心写得很形象，我借用一下：

state = "客户邮件全文 + 订单JSON"
questions = {
    "is_lead": {"type": "noul", "instructions": "这是销售线索吗"},
    "emotion": {"type": "score", "instructions": "情绪激烈程度"},
    "team": {"type": "choice", "instructions": "分给谁",
              "criteria": {"billing": "账单", "technical": "技术", "sales": "销售"}},
}
# 返回全是数字：0.91 / 0.12 / technical 0.83
# 程序直接 if，不用 parse JSON 祈祷格式

懂了。就这

LLM是先写作文再从作文里抠答案，Jev是一次前向全答完，并行出概率。官方号称同等智能下快 40到200倍，workflow那套甚至喊到 193.6倍快、444.6倍便宜

这数字看看就行，别当真。官方自己都承认那是上限，第三方实测一般是快2到3倍。但方向没骗人：输入 0.042美元/百万token，输出免费，就这条，Agent高频场景谁不心动

番外：我第一眼看错的地方

说实话，我一开始以为这就是个BERT套壳分类器

看到RLCD才坐直了。RLHF优化人类喜欢，RLVR优化可验证奖励，RLCD优化的是校准过的诚实概率。只有上报真实概率时期望奖励最高，模型想拿高分就得诚实

这设计我是真服气的。嘴上说0.95没用，得统计上真准，才敢写进if

为啥刷屏：四个真实用例，一个比一个野

光讲论文没人转，刷屏靠的是这四个活

40秒，724条广告

实时广告流，一条条过LLM？账单直接爆炸。Jev这种一次批量打分的，40秒全扫完。这就是官方说的map-reduce over big data，土话就是：量大、便宜、快，适合洗数据

Claude Code清上下文，fast-jev-compaction

这个我最喜欢。以前 /compact 是让模型写摘要，慢还贵。现在改成给每次工具调用逐项打分：还有用吗？没用删掉

演示里压缩几乎瞬时完成。群友原话：原来清一次上下文够泡杯咖啡，现在咖啡还没接呢，完了

给Agent当验收，LangChain那篇

9月20日，Daniel Shea和Sean Roche，5个天气任务，Deep Agents跑，LangSmith存成固定数据集，四个裁判各跑100遍

结果很顶。pass判断500次，Jev全对人类标注，Terra 99.8%，Luna 96.4%，Claude Sonnet 4.6只有 80%。方差更离谱，Jev 0.0000149，比LLM低 92到913倍。单次 0.44秒、0.00035美元，总账 0.34对28.17美元

但丑话人家也写了：样本窄，5个天气任务能说明啥？只能说这题Jev舒服，不代表通用改卷无敌。低成本会放大误判，一错就是批量错。这盆水泼得好，我记下了

浏览器Agent，7秒订机票

就是本站之前拆过的jev-ultrafast。DOM状态替换截图，Jev一次选操作加目标，Google Flights全程 7.073秒。瓶颈在工程不在智能那篇，讲的就是它

你看出来没

四个场景全是判断题。路由、打分、验收、选哪个按钮。没一个让它写作文

Agent缺的从来不是更会写的模型，是敢进代码的判断

争议也得摆出来，三条，条条见血

火就有对线，我捡了三条最疼的

第一条，账单游戏。193.6倍444.6倍咋来的？参考答案是GPT-6 Astra和Fable 5.1取平均，Jev拿这个当老师比。官方自己承认这是上限，第三方一般也就2到3倍。跑分看看就行

第二条，黑盒。架构、参数、训练数据全没公开。社区猜是BERT-like编码器，但也只是猜。Simon Willison那句挺狠：留给开发者的可能就是一个数字，错了都不知道为啥错

第三条，英文优先。官方承认主要训的是英文，中文CJK能跑，准不准自己测。64k上下文听着大，state加最长单问题得塞进32k。255个选项听着多，中文长尾意图真压上去啥样，没人给数

还有个小刺：negation两个noul分开问，概率能加到1.19。这校准，emmm，只能说还在早期

那咱能抄啥：三件套，今晚就能动手

终于到干货了，别看热闹

压缩改打分

别再让LLM写摘要清上下文了。学fast-jev-compaction，给旧tool call逐项打分，没用的删。省钱省时间，效果据说还更稳。OpenCode用户直接等官方伙伴接入就行，已经全量接V4.1-Flash了，那边便宜，这边敢删，爽

验收当改卷

Agent跑完别只看log，加个Jev验收：搜对没、答对没、有依据没。低置信直接转人工。记住LangChain那句：低方差不等于全对，得先跟人类标注对齐。先小流量跑一周，对上90%再放量

线上全量跑

以前评估贵，只能抽查。现在3毛钱跑500次，打工人都直呼便宜。每天1万条trace，全量跑一遍，质量掉了立刻报警。这才是评估的正确姿势：不是考一次，是天天考

三问自查还是老规矩：一个人能跑吗？多少钱？半夜会炸吗

Jev那0.44秒看着爽，但远在美国西海岸，亚洲过去还得加网络延迟。数据还得发到人家云上，金融医疗政府的活，先问合规再说。别为了省3毛钱，把单子搞黄了

最后一句大实话

Jev这波，技术上没发明新大陆，赢在把一件事做绝了：让判断便宜到可以随便用，稳到可以写进代码

卡尼曼那套快慢思考，LLM是慢思考，Jev想当快直觉。直觉会错，但便宜、快、敢认怂（给概率），这就够了。Agent里80%的活，本来就是判断题，不是作文题

Laya那边开源421M三天6千星，CUA-S1 706k参数本地跑，为啥？大家都看懂了：以后是通用大模型想，专才小模型判，代码最后拍板

你最近拿Jev判过啥？准吗？翻车没？评论区聊聊，我蹲着看

如果这篇对你有用，欢迎订阅本站 RSS。

原创技术博客 · 开源项目分享 · AI全栈创作社区 idao.fun