只判斷、不生成：Jev 用 GPT-6 的 1/267 成本，另開一張決策帳

9 月 18 日起，在 B 站搜尋欄輸入「Jev」的使用者會看到一頁更新極快的結果：數十支影片，最長 36 分 30 秒，最短 15 秒，發布時間從三天前一路排到一小時前。頭部兩支播放量 8.1 萬與 8 萬，尾端有影片掛著個位數。這些影片講的是同一件事：一個海外爆紅的模型，只做判斷、不生成文本，成本號稱只有 GPT-6 的 1/267，速度號稱快 200 倍。播放量會折舊，267 這個倍數背後的成本結構，比熱潮本身值得攤開。

判斷與生成的分業

B 站科普圈對 Jev 的定位相當一致。有影片標題直接寫明「為軟體自動化而生的 AI 決策模型」，有人以 System One 為題拆解它的概念層，一支 22 分 59 秒的教程以 TypeSafe Jev 為題，下了判語：它根本不是聊天 LLM。說法各異，指向同一個架構選擇：把決策環節從生成式模型裡剝離出來，單獨定價。

1/267 的源頭要先回到生成式模型的成本結構。自回歸解碼按 token 計費，回應越長，生成步驟越多，注意力計算與 KV 快取的開銷同步放大。當任務只需要回答「選 A 或選 B」「這筆資料留或刪」「下一步呼叫哪個工具」，用生成式模型處理，等於按包裹重量付掛號費去寄一張明信片。

判斷模型的輸出空間小一到兩個數量級。分類、路由、篩選、判停這類決策，答案可以收斂為單一選項或一組權重，模型沒有理由維持通用生成模型的體積與計算量。1/267 的成本比與 200 倍的速度宣稱，都沿著「輸出短、計算少」這條路得出。對 Agent 工作流而言，這層分業改寫的是決策密度：過去每一次「要不要繼續」的詢問都按生成價目表收費，流程傾向把判斷次數壓到最低；判斷環節有了獨立價目表之後，密集決策的邊際成本降到接近可忽略，流程可以拆得更細、問得更頻繁。

實測影片標出了這個模型的落點。有人拿一萬條評論實測篩選速度，有人讓 Jev 玩《植物大戰殭屍》並真的通關，有人用它驅動橫版跳躍遊戲、按玩家行為即時調整關卡，也有人把 Jev 接入微信。這些示範分兩類：工程整合類展示它在軟體自動化裡的決策價值，獵奇演示類（擰魔方、應付女朋友）負責傳播量。兩類之間的縫隙，由一支標題寫著「打假爆火的 JEV 演示：有些 demo 太扯了」的影片補上，2310 次播放，提醒觀看者示範畫面與能力邊界之間存在距離。

數天鋪滿一頁搜尋結果的流量階梯

頭部兩支影片都在七分鐘內。8.1 萬播放屬於 6 分 43 秒的銳評「你管這破玩意叫 Jev？」，8 萬播放屬於 7 分 27 秒的提問式科普「一個只做判斷的 AI，到底有什麼用？」。第三名換成 29 分 15 秒的長篇，標題把「價格、能力邊界與使用方法」寫進去，拿 5.7 萬播放。再往下是 3.9 萬與 3.5 萬的兩支實測，然後衰減到 7000、5000、4000 量級，一支 4102 播放的「如何訓練一個屬於自己的 Jev」停在進階教學的位置，尾端是個位數。

兩個結構特徵值得記錄。其一，流量與片長沒有正相關，吐槽框架與「到底有什麼用」框架勝過教程與長科普，說明這波觀看需求的主流仍是理解議題，還沒走到動手部署。其二，生產線的原料成本接近零：熱點本身免費，模型介面公開，剪輯模板現成，於是 15 秒的接入示範與 36 分 30 秒的原理長文共用同一個搜尋詞。頭部兩支合計逾 16 萬、尾端個位數的冪律分佈，與先前分析的B 站零元遊戲貨架的流量階梯同構：免費原料、以時計價的生產、向框架創新者集中的收益。

封神三天，開源掀桌

「Jev 才封神三天，開源 Laya 就把桌子掀了。」這支 7268 播放的影片，標題寫下這波熱潮的第二個關鍵數字：3 天。

追蹤影片隨即鋪開。「laya 就快了 7 倍」拿 4891 播放，「速度碾壓 Jev 近 20 倍」拿 5109 播放，「Jev 熱度還在，Laya 專案又來了（更快）」拿 3099 播放。7 倍與近 20 倍同時存在，測試條件沒有統一口徑，互相矛盾的宣稱數字本身成了下一批內容原料。另有一支 6728 播放的影片在標題裡留下但書：「是的，Jev 瘋了，但有個條件」。

開源替代是模型類產品的常見壓力，但替代速度因任務而異。生成模型的護城河在訓練資料、對齊細節與長尾能力，追趕者要補的帳很長；判斷模型的能力邊界窄，評測維度收斂到速度、準確率、成本三項，重現門檻低一個量級。Jev 從走紅到被開源專案正面宣戰只隔三天，這個週期本身就是判斷模型品類護城河深度的量測結果：淺到可以在一個週末內被翻越。

誰的帳單變薄，誰的被切走

受惠方先算開發者。Agent 與軟體自動化的工程團隊拿到一張新價目表，工作流裡高頻的決策呼叫改走判斷模型，單位成本降到原先的百分之零點四以下，原本因計費而克制呼叫頻率的環節可以密集鋪設。B 站知識區創作者拿到一輪流量紅利，數天內頭部兩支合計逾 16 萬播放。開源專案 Laya 借勢冷啟動，追蹤影片落在 3000 到 7000 播放區間，對一個新專案是可觀的初始曝光。

承壓方在另一端。通用 LLM API 的帳單裡，分類、篩選、路由這類低階判斷呼叫是遷移成本最低的一層，專用判斷模型把這層切走後，通用模型被迫退守真正需要長文本的環節，混合計費的空間被壓縮。Jev 自身同樣在承壓名單上：三天的開源替代週期，意味著 1/267 的成本優勢難以沉澱為長期定價權。能力邊界公開、評測口徑統一的品類，價格終將向開源基準收斂，商業價值得往低延遲託管與工程整合服務搬。

分層價目表的邏輯並不新鮮。先前拆解AI 對話與人類諮詢的三張價目表時，同一種「懂自己」的需求已經按交付形式切出三個價格帶。Jev 做的是同一件事的工程版本：把 Agent 工作流按任務性質切層，判斷一層、生成一層，各自計費。

收束：分業會留下，名字未必

兩種情境可以推演。其一，Jev 類判斷模型成為 Agent 架構的標配中間層，生成模型退守長文本環節，兩層價目表固定為產業預設值。其二，開源在數週內抹平差距，判斷能力淪為基礎設施的免費附屬，這波熱潮只沉澱出一條架構經驗。

兩種情境有共同點：被寫進成本結構的是分業本身，判斷與生成拆開計費，決策密度不再受生成成本約束。至於 Jev 這個名字，B 站的播放量已經給出順序，第一批教學影片的熱度正被 Laya 的追蹤影片分走，一週內走完一輪內容生命週期。注意力折舊的速度，跑在模型疊代前面。