由初创公司 AI 于 9 月发布的 AI 模型 Jev，凭借专为快速决策设计的特性，在开发者及硅谷科技圈迅速走红。该模型能以远低于主流 AI 的成本执行分类任务，如客户分组或文档归类。数据显示，接入 AI 网关不到 24 小时，近 13% 的付费团队试用了 Jev，触达数量是以往任何模型发布时的两倍以上。

Jev 的爆发式增长引发了巨头的快速反应。发布仅三周后的 10 月 6 日， 推出了竞品 API。这类服务旨在自动化处理企业日常海量的常规判断，在大规模应用下，成本、速度和错误率的微小差异直接决定自动化的经济性。 为此专门训练了 Jev，而 则在其现有产品线中调用了 GPT-6 Luna 模型。

填补 " 系统一 " 空白

首席执行官 Diogo 曾在 参与 底层技术开发。他洞察到模型在回答人类问题与自动化常规工作之间存在实用性差距，遂离职创立 ，致力于解决 AI" 过度承诺、交付不足 " 的痛点。 认为，未来绝大多数模型请求将来自自动运行的代码而非人类，例如客服系统根据消息内容自动路由至账单或技术支持部门。

传统机器学习分类器虽成本低但缺乏灵活性，大语言模型（LLM）虽灵活但计算昂贵且缓慢。Jev 定位为心理学家丹尼尔 · 卡尼曼所言的 " 系统一 " 模型，专攻快速直觉判断。它兼具 LLM 通过自然语言指令设置分类器的灵活性，以及比通用模型更快的速度和更低的成本。 称，Jev 一次性生成输出，避免了逐段生成的耗时，但其可靠性开发耗时两年，远超预期。

开发者生态与实战反馈

独立开发者 Niels 在拼写检查原型中测试 Jev，对其近乎即时的反馈速度印象深刻。 创始人 表示，Jev 的高效率促使他重新评估哪些习惯使用 LLM 的任务其实并非真正的语言问题。记账软件公司 Dext 的 AI 负责人 Paolo 指出，LLM 通常为完整书面答案付费，而许多场景仅需一个标签；他估算 Jev 处理 1000 次更改的成本仅为 7 美分。

不过，从 LLM 切换至 Jev 存在适应门槛。开发者 Aaron Roy 发现，沿用传统 LLM 的提示方式会导致重要邮件漏标，需明确指定关键要素（如金钱、医疗等）才能降低遗漏率。这要求开发者以不同方式塑造问题，并设定合理的置信度阈值以平衡自动化与人工审查的风险。

入场与竞争格局

高管 Handa 承认，Jev" 激发了这一切 "， API 在此前四周并未列入路线图。初版 API 使用未经额外训练的 GPT-6 Luna，通过限制返回结构化答案和优化系统，其决策速度比通用 API 快多达十倍。此外， 支持图像输入，而 Jev 目前仅支持文本。

价格方面， 输入价格为每百万 Token 0.10 美元，Jev 为 0.042 美元，两者均不收取输出 Token 费用。尽管 拥有资金和用户基础优势，且便于开发者在同一生态内构建 " 快速分类 + 复杂处理 " 的组合流程，但 投资方 DCVC 合伙人 James 认为，Jev 两年的可靠性打磨构成了隐形壁垒，其在生产环境的表现有望优于快速跟进的克隆产品。

声称开发了新的模型架构和训练方法，使 Jev 的概率估算更贴合实际正确率。尽管长期竞争胜负未定，但 关于优化分类系统的直觉已被验证， 及其他潜在入局者正奋力追赶这股浪潮。

【星途科讯 图文丨 LCC 首发于 ZAKER 科技，转载请注明出处】