OpenAI 曾经教大模型"学会说人话"的 RLHF 核心作者 Diogo Almeida，隐身两年后重新创业，发布的全新模型居然"连一个字都不会打"？他的官宣推文迅速爆红，目前已有 3000 万浏览。
"放弃生成不是退步，而是像当年 Transformer 用并行计算秒杀 RNN 一样，把逐字生成的串行计算变成了并行的直接决策。"全新前沿模型 Jev——快 20～200 倍、便宜 40～400 倍、输出 Token 免费。
这个模型长什么样
调用方式不是 prompt → 一堆小作文。而是：传入一段内容 + 问一个或多个问题，它在 300 多毫秒内直接返回布尔值（True/False）或选项 + 置信度（例如 0.94）。成本定格在 $42 / 10 亿输入 Token（即 $0.042/MTok），输出 Token 永久免费——"因为在我们这套架构里，它便宜到根本不值得去计费计量！"
官方公布的极值跑分：速度快 193.6 倍，成本低 444.6 倍，0% 幻觉，不跟你聊天。对标的是 GPT-5.6 Terra、GPT-6 Astra 和 Fable 5.1。在纯决策工作流中，大模型的思维链长考不仅慢，而且在很多离散判断上并没有比这种"纯直觉系统 1"高明多少。
1 秒 10 次判断，一小时 7 美元
面向几千个超链接候选，0% 幻觉毫秒级完成多阶跳转决策。
开发者落地 Demo
场景 A：预测性表格
传统的 Excel 或飞书多维表格只会重算数字，根本不懂业务语义。Jev 的玩法：在表头输入"紧急程度（Urgency）"，敲完回车的那一瞬间（约 100 毫秒），Jev 瞬间读懂意图，全自动把整张表每行数据按从"无需跟进"到"极度紧急"打上标签和置信度。
场景 B：预测性桌面启动器
传统的 Alfred/Raycast 只能靠名字模糊匹配。接了 Jev 后，随手敲下"我刚才下载的那个 PDF"，百毫秒内最新下载的文件直接置顶命中。
实体机械臂"自发学会用工具"
开发者把 Jev 接入机械臂，目标是将红方块放进绿盒子。难点：红方块太远够不着。结果：没有任何人教过它怎么用工具，Jev 仅凭毫秒级视觉状态决策，自己做出判断——先拿旁边的长钩子把红方块勾到面前，放下钩子，再抓起方块放进盒子。
电脑操作 13.6 倍提速实测
用 Jev 配合 Cua Driver 执行电脑自动化操作，在 9 个真实任务中完成了 8 个，单步决策速度比 OpenAI Astra/Codex 快了 13.6 倍，总任务耗时降低 27%。核心反思：一旦 UI 界面被结构化，"操控电脑"本质上不需要大模型思考，它就是一个纯粹的高速"选择题"。
生态平台极速跟进
OpenRouter 官方接入，强调"没有 JSON Prompting，没有解析层，没有任何 Schema 报错翻车的风险。"
Cloudflare 已把 Jev 放到全球边缘 AI 网关（AI Gateway）中，直接作为基础设施提供。
官方技术测评网站 TypeSafe Workflow Evals，提供了针对真实商业代码流的对比基准测试。
总结
Jev 代表了一条不同于传统大模型的路径：不做生成，做决策。当 ChatGPT 式的聊天无法带来真正的 AGI 时，放弃逐字生成、转向直接决策，可能是 AI 经济革命的最短路径。速度快 200 倍、成本低 400 倍、输出免费、0% 幻觉——这些数据摆在面前，足以让开发者重新思考 AI 架构的方向。
