Jev 刷屏了：这个不聊天的 AI 模型，盯上了企业系统里那批高频小判断

9 月中旬，AI 圈刷屏的是一个奇怪的模型：它不聊天、不写文章、不做总结，问它问题，它只回三样东西——选项、评分、是否，每样附带一个概率。

它叫 Jev，名字来自一位十九世纪的经济学家，9 月 15 日由旧金山公司 TypeSafe AI 开放早期访问。发布当天冲上技术社区千分级热度；上线 24 小时，近 13% 的 Vercel 付费团队用上了它，Vercel 称这是其历史上被采纳最快的模型。一周内，几家主流开发者平台相继集成，国内券商出了专题研报。

一个不聊天的模型，凭什么刷成这样？

它戳中的是一笔旧账

想想一个 AI 应用里最费钱的是什么。多数人以为是「聪明的规划」，实际上是一堆细碎的判断：这条消息是投诉还是咨询、该调哪个工具、这步操作有没有风险、工单派给谁、要不要重试。

这些判断一天发生成千上万次。过去的做法，是让大模型每次都写一段文字再从文字里解析出结论——等于雇了一个作家来做收发室的活。作家按字收费，收发室的活儿又多又急，账单就这么涨起来的。

Jev 的思路是把这层判断剥离出来：不生成文字，直接返回结构化结果和概率。官方口径是快 20 到 200 倍、便宜 40 到 400 倍（官方数字，当上限参考）。官方演示里有个直观例子：给一批客服消息打标，它用 2.3 秒、约 0.1 美分，同样的活儿交给聊天大模型要 20 秒。

业内给这类模型起了个名字：快思考模型。贵的模型管慢思考，轻的模型管快判断。

这笔账，企业系统里到处都是

一张报销单提交进系统：金额八千二，走部门经理还是总监？一条售后工单创建：派二组还是三组，定 P1 还是 P2？一封客户邮件进来：咨询、投诉还是商务合作，分别进不同的处理池？

企业系统里到处都是这类判断：选项封闭、可枚举，调用频次高，单次价值低。一天跑几千上万次，每次都很小，加起来是一块稳定的基础开销。

原来的两种处理方式各有各的难受：写死规则，业务一变规则就得重写，分支越叠越厚；全交给大模型，每次判断都等一轮生成，账单按 token 累积，格式漂一下流程就断。Jev 的爆火等于把这个共识摆上了台面：这层需求值得一个专用模型。

门槛与那条绕开门槛的路

Jev 是闭源的托管服务，走 API 调用。对企业落地来说有几道现实门槛：判断请求和数据要出网；按调用量付费；按媒体报道，该服务尚未向中国大陆地区开放。

于是开源社区的反应很快。发布四天后，一个叫 OpenJev 的开源复现项目冲上技术社区热榜，随后一批同类项目接连出现在开源趋势榜上。复现的核心结论很有意思：几 GB 的开源小模型在本地做封闭选项判断，准确率能到八成出头，与托管商用模型的差距在几个点上下；而「直接读概率」与「逐字生成 JSON」两种方式相比，前者的耗时只有后者的约五分之一。

围绕这条路，最近有了一条值得关注的落地验证：把「读概率、不生成文本」的开源决策模型部署到服务端，业务系统通过 HTTP 调用拿到各选项概率，写回数据、驱动流程分支。整条链路部署在内网，数据不出门；判断不过夜、不排队，一次计算出结果；概率偏低时自动转人工。

边界也要说清楚：这条路只适合选项封闭、可枚举的判断，开放式生成不在此列；小模型准确率在四成到八成之间浮动，关键节点必须留人工兜底。它省的是大部分常规判断的成本，边界情况依然要人来接。

这件事为什么值得搭系统的人关心

高频小判断是企业应用里绕不开的基础开销。规则引擎越堆越厚是一种活法，大模型 API 账单越来越长是另一种。现在多了第三条路：比规则灵活，比大模型便宜，数据还留在自己内网——而且对国内团队来说，这是眼下就能开工的那条。

做这次验证的，是葡萄城的技术团队——验证的接入点，就在低代码平台活字格的服务端命令上。对用低代码平台搭系统的团队来说，它意味着 AI 决策能力可以作为一个普通节点，接进平台的 AI 工作流编排：大模型管慢思考，决策模型管快判断，业务变了，改的是编排和选项设计，不用改代码。

快思考模型的热点会过去，「快慢分工」的架构会留下来。值得每个搭业务系统的人自己跑一遍。