Jev
一款主打高性价比的前沿AI推理模型，声称相比现有主流前沿模型推理成本降低40-400倍、速度提升20-200倍，面向企业规模化部署场景优化
核心事实
时间轴 (近 90 天)
Jev 对代码改动给出三种可能响应：合规、违规，或请求更多上下文
jev-quality-gate 作为CI流程的一部分运行（也可本地运行），抓取所有 git diff 代码块并逐条向 Jev 询问改动是否符合各项策略
jev-quality-gate 是一个基于AI的代码质量审查工具，以Jev模型作为后端与判定引擎
Jev所做的本质上是多标签分类而非生成式推理，通过将多个分类头并联在同一次前向传播上实现
在实验中，事件调查和擦除请求两个工单在所有配置下都是100%完成，而最简单的删除列任务反而最难
上下文选择器是唯一改变删除列任务结局的组件，Jev在不到半秒内从22个运行手册章节中选出正确章节
如果中途切换模型，模型需按全价重读整段对话，根据测算成本会增加约50%
Jev在Agent循环的四个决策点发挥作用：路由器、上下文选择器、工具调用前的闸门、验证器
Jev可以在一次推理中并行回答多个问题，问30个问题的耗时和问1个问题差不多
Jev只生成是/否、从列表中选择或在量表上打分的答案，每个答案附带一个概率，不输出自由文字
还有 40 条时间轴事件
全部知识事实 (20)
Jev是一类被称为'系统一模型'的前端模型，快速、便宜、结构化，专门用于决策，不生成文本而是在预设选项集合中返回概率打分
75%已验证决策型模型擅长分类、路由、判断这类结构化任务，而非长篇文本生成
75%已验证Jev 只对输入 token 收费，输出完全免费
65%已验证Jev 的设计把判断与执行解耦，让主模型专注在需要生成能力的任务上
65%已验证Jev提供三种问题类型：选择（Select）、评分（Score）、空值/布尔（Null/Bool），每个返回都带有置信度值
65%待验证本文所依据的原始素材为一条Twitter上的简短分享
70%待验证Jev声称使用RLCD训练方法
60%待验证Jev的内部架构、训练配置和模型规模均未公开
60%待验证官方宣称Jev相比可比的LLM工作流速度快约20到200倍、成本低约40到400倍，且输出token完全免费
60%待验证Jev被定位为TypeSafe AI的'System One'前沿模型，主打软件系统中需要快速、结构化判断的场景
60%待验证Jev更接近判别式模型而非生成式模型，本质上是一个多类别概率分类器，类似BERT系列而非GPT系列
60%待验证Jev的响应速度通常在200到300毫秒内返回结果
60%待验证Jev由曾参与ChatGPT研发的核心人物开发
60%待验证限制模型输出选项能阻止编造新类别，但不能保证选出的类别有用或正确；所谓零幻觉只是约束了输出空间
60%待验证Jev 的设计借用心理学中的 System 1 概念，充当流程中的快速直觉判断角色
60%待验证Jev 是一个专注于快速、结构化判断的 AI Agent，只接收信息并返回判断，不生成对话或帮助编写应用
60%待验证Jev 的响应时间为 70-500ms
60%待验证传统基准测试往往关注准确率和推理速度，但任务完成率和收敛稳定性在实际工程场景中同样重要甚至更为关键
60%待验证jev-quality-gate 是一个基于AI的代码质量审查工具，以Jev模型作为后端与判定引擎
50%待验证jev-quality-gate 作为CI流程的一部分运行（也可本地运行），抓取所有 git diff 代码块并逐条向 Jev 询问改动是否符合各项策略
50%