最火哑巴模型Jev加上微信，直接治好了我的低情商

文 | 字母AI 谷歌的哑巴模型Jev突然爆火。 它不聊天，不写代码，不写文案，也不解释，你问它什么，它一个字都不生成。它只做一件事——判断。 发布没几天，从Hacker News，再到中文技术社区，几乎所有人都在讨论它。但大家讨论的不是它有多聪明，而是它有多反常。 诚然，一个不会说话的模型能火，这事本身就已经够反常的了。 大家最先讨论的，是它的落地场景。一个不会说话的模型能放在哪里？答案是微信。 微信要回消息、要管群、要盯风控，怎么看都该交给一个“会说话”的大模型。 怎么想怎么不合理的事情，却就这么合理地发生了。 不过具体是什么情况，还是得先从Jev本身开始说起。 Jev到底是个什么东西 TypeSafe AI在2026年9月16日发布了Jev。 这是一家旧金山的公司，创始人是GPT-4论文共同作者，前OpenAI研究人员迪奥戈·阿尔梅达（Diogo Almeida）。公司隐身研发了两年，出来时带着DCVC领投的4000万美元种子轮。 Jev给自己贴的标签叫系统一模型（System One Model）。 这个名字来自卡尼曼的《思考，快与慢》。其中，系统一指的是那种不过脑子的直觉判断，系统二是慢下来一步步推理。 TypeSafe的说法是，这几年所有人都在造系统二，会思考、会写长文、会解释。可软件里真正需要的判断，大多数是系统一。 Jev和ChatGPT、Claude的区别在于，Jev只会答选择题，其他模型会写作文。 Jev的用法是这样的，你给它一段状态，比如一封邮件、一行日志、一条工单、一段程序状态，然后再给它几个事先定好类型的问题，它一次性把答案全部返回，每个答案附一个概率，外加一个“我有几成把握”的置信度。 它只会答三种题。 Choice：从最多255个选项里选一个。 Score：在一个2到10级的刻度上给分。 Noul：给出一个0到1的是/否概率。 三种题可以混在同一个请求里，而且是并行算的。官方说，问一个问题还是问四个问题，延迟几乎一样。 Jev的特点是快和便宜。 普通大模型是一个字一个字往外写，写多久取决于要写多长。Jev不写字，答案的范围事先就定死了，算一遍每个选项的概率就完事。 根据Jev的官方数字，端到端响应70到500毫秒，输入每百万token收0.042美元，输出免费。它上线Vercel的AI Gateway后，24小时内被接近13%的Vercel付费团队都用上了Jev，是Vercel平台采用速度最快的新模型。 它不能聊天、不能写代码、不能写文案、不能看图、也不能解释理由。你问它“为什么不选这个”，它不回答，它只给数。 Jev还有个特点，幻觉率为0%。 这指的是它绝不会给出你选项之外的答案，绝不会拼错字段。但它完全可以选错一个选项。这一点，TypeSafe的CEO迪奥戈自己也承认过。 Jev这个名字来自杰文斯悖论。 蒸汽机效率提高、每吨煤更便宜，煤炭的总消耗反而涨了，因为便宜的动力被用到了更多地方。 以前用不起AI，是因为调一次大模型又贵又慢，为了一个芝麻大的小判断去调一次，不划算。现在Jev把单次判断压到了万分之一美元 它的训练方法叫RLCD，Reinforcement Learning for Calibrated Decisions。RLHF追求“人类爱看”，RLVR追求“程序能验证对错”，RLCD追求“概率要诚实”。 如果RLCD说有70%的把握，那就是在数学验证上有70%的概率是对的。 Jev成了微信的插件 Jev爆火后，社区拿它用的最多的，便是作为微信的插件了。 微信最难的地方就在于，如何精准触达对方的想法。比如经典的“你看着办”。那到底是该怎么办？是小改一下？是放着不管？还是大刀阔斧？ 于是Jev的作用就体现出来了。 这条消息要不要回？ 要不要 @ 对方？ 这条是不是广告？ 要不要把人踢出群？ 这条要不要转人工？ 这个人是不是想退款？ 这段话有没有违规？ 每一件，都是“从有限选项里挑一个”，而且要在几百毫秒内出结果。而这正好是Jev的形状。 那为什么不用大模型？ 三个原因。 第一，慢。大模型回一条要3到30秒。微信群里的消息是滚动的，你30秒后回复，对方可能不耐烦了。Jev 70到500毫秒，够你在消息还没滚出屏幕之前接上。 第二，贵。 微信机器人通常跑在便宜的常开服务器或轻量服务器上，一次判断的成本必须低到可以忽略。用大模型逐条判断，几十万条消息就是一笔真金白银。Jev输入0.042美元每百万token、输出免费，把单条判断压到万分之一美元的量级。 第三，也是微信插件最怕的，它不能说错话。 一个自由生成的大模型塞进聊天框，随时可能冒出一句不该说的话，轻则社死，重则触发风控、直接封号。Jev根本不生成文本，它只从你给的选项里挑，从结构上就“说不出格”。 微信插件的老大难，是“自动回复”和“转人工”之间那条线。 全自动，内容控制不了；全转人工，人扛不住。Jev给每个判断配一个校准过的置信度，于是这条线变成了一道阈值，把握高就自动过，把握低就转给人，或者转给更贵的大模型。 这套“高把握自动、低把握升级”的分流，本来就是微信客服和社群运营一直想要的结构。 还有一个隐藏点，关键词命中就回复，包含“广告”就踢人，被@了就应答。这些都是关键词匹配，对方换个说法，不使用这个关键词，那么自动回复就会失效。 Jev把“关键词匹配”升级成了“语义判断”。同样是回不回、踢不踢，但判断依据并非关键词，而是用户的意图。 安装起来也是非常简单，对Codex说一句“npx skills add typesafe-ai/skills”，或者在Claude Code里加个插件市场就行。通过OpenRouter能立刻调用。 网上已经有了许多成熟的产品，比如wechat-jev-hud，它就是跑在一个Windows上的微信HUD，通过截屏、定位聊天区域，来识别文字气泡，把Jev接在OCR和叠加层中间做实时判断。 随后就会呈现出图片中的效果，对方的这条消息，有多少的概率是在说怎样的事情。 从生成到判断 Jev火得这么快，是因为它踩中了一个大的问题：Agent为什么还是又慢、又贵、又脆。 过去两年的AI叙事，是更长的上下文、更聪明的推理、更漂亮的回答。 可当你真把一个模型塞进每天要跑几十万次的系统里，你会发现，其中绝大多数调用，根本不需要它“说话”，只需要它“判断”。 比如一条客服工单归哪个部门，一次工具调用有没有风险，一段AI的输出有没有跑偏，下一步该点页面上哪个按钮。 这些问题从来都只有一个正确答案，而且答案的选项也早就写在自己的代码里。让一个会写作文的模型先写一段话，再由程序把它翻译回一个判断，绕了整整一大圈。 Jev想省掉的，就是这一圈。 所以社区很多人评价Jev，说它像给软件装了一句“语义if语句”。如果（if）对方出现了哪种意图，那就回应它对应的答案。 其效果也是立竿见影，通过Browser Use把Jev用在浏览器Agent里，一次请求同时选“做什么”和“点哪个元素”，订一张机票的时间能从9.5秒缩到7秒。 以及在长程任务中，把Jev做成路由中间件，让它替Agent挑该用哪个模型，也能节省很多时间。 不过“Jev取代大模型”是个伪命题。正确的做法应该是，大模型帮你想清楚判断规则，