Jev 最近红透半边天——不止海外火了，国内也火得一塌糊涂。它到底是个什么鬼？简单说，它不是聊天模型。用法非常朴素：丢一段文本进去，再给一组带类型的问题，它一个字都不写，直接回概率。问题只有三种：choice 给几个选项让它挑一个，score 按你的量表打分，布尔判断则返回「是」的概率。

这恰恰是我们过去一直用 JSON 硬凑的东西。大模型吐出的那个 0.9 只是个字符，不是真概率；而 Jev 给的是校准过的真概率——它说 90%，就真有九成概率会答对。这让人想起几年前跟着吴恩达学深度学习时最早学的监督学习：训练一个分类器，分辨哪些邮件是垃圾邮件、哪些评论是负面评论。区别在于，传统分类器每换一个任务就得重新训练，标签也是焊死的；Jev 一个模型通吃，工单归哪类、评论正不正、消息急不急，同一套接口全扔给它，还不用人标数据训模型。

速度和成本是它爆火的直接原因。实测走 OpenRouter，输入每百万 token 4.2 美分，输出免费——因为根本没有逐字生成这回事。官方给出的端到端延迟是 70 到 500 毫秒。有开发者把 20 个任务串起来跑完，成本刚过一美分的十二分之一。举个具体的例子：问一段文字在不在提问，「是的概率 2%」，等于说否；一条被扣了两次钱的工单，它路由给账单团队；加个「立刻」，时效性概率就从 7% 跳到六七十。

为什么能这么快？卡尼曼把思考分成系统一和系统二：ChatGPT 这类推理模型是典型的系统二，慢、要深思；而 Jev 干的是系统一的活，凭直觉快速判断。它的创始人 Diogo Almeida 是 InstructGPT 论文的顶级作者之一——那篇论文正是 RLHF（人类反馈强化学习）的开山之作，ChatGPT 能听懂人话，就是从这套方法打的底。官方没发论文，只给了三个词：新架构、并行采样器、RLCD（校准决策强化学习）。外界推测它仍是 Transformer，但只跑一次预填充、一次前向就出结果，所以才能 70-500 毫秒返回。

所谓「不幻觉」也要拆开看。准确的说法是它不返回坏 JSON、不编工具名——你给什么选项，它就在里面挑；但挑错是可能的，靠 RLCD 兜着。从公开信息看，它的校准训练目标就是让报出的概率与真实正确率对齐，官方基准准确率约 67.8%，而且在文档抽取这类任务上只有 61.8%，官方也未公开论文、参数量与训练数据，上线前最好拿自己的数据验证一遍校准效果。

一句话总结：Jev 不是什么新聊天机器人，它就是个终极分类器。当年咱们吭哧吭哧手训神经网络分类器，现在 Jev 把这件老本行做到了极致，还便宜到离谱。还在用 Bert 做分类的，值得试一把。