最近Jev爆火。这是ChatGPT的核心开发者之一离开OpenAI后，花两年时间打造的新模型。
但是，它不是个大语言模型（LLM）！至少不是传统意义上的大语言模型。开发者说Jev能产出经过校准的决策，所以有人把它叫做决策模型（Decision Model）。
所谓“经过校准”，就是它报出的自信值应该靠谱：它说有八成自信的那些答案，实际应该大约有八成是对的。这样，程序就能根据这个数字，决定直接采用答案，还是交给人或其它模型再检查。
那它和大语言模型有什么区别？
简单地说，大语言模型根据你输入的内容生成新的文本；但决策模型只会帮你做选择或者打分，你不能用Jev来写文章或者报告（虽然也不是绝对不行，例子看下面）。
比如，你可以问它“太阳和地球哪个是恒星？”，然后提供“太阳”和“地球”两个选项，它会返回“太阳”和一个0至1之间的数字，表示它对结果有多大的自信。
你可能觉得，这些大语言模型不是也可以吗？
是的，但Jev非常非常地快。同样的问题，大语言模型可能要好几秒才得到答案，而Jev只需要几十到几百毫秒。
而且，Jev性价比奇高。大语言模型输入和输出都要钱，而且一般输出都是输入价格的好几倍。比如GPT-5.6 Terra输入要$2（每百万token），输出则要$12。然而，Jev输出免费，输入也只要$0.042！
至于模型性能，目前还缺少足够可信的独立评测，但Jev的开发者TypeSafe说，Jev大概相当于GPT-5.6 Terra的水平。
所以，Jev又快又便宜，一下子让大家多了很多新玩法。
Jev特别像一个分类器（classifier），并且因为它像大语言模型一样自带知识，你不需要像传统的分类器一样先训练。所以基本上，你可以把Jev看成是一个无需训练的分类器（zero-shot classifier）。当然，如果你让它分类的是主观偏好或内部的业务定义，那仍然需要事先在输入中说明偏好或规则。
比如，你可以让它标记邮箱中的垃圾邮件，博客上的垃圾评论（我很久前还用PHP折腾过贝叶斯算法）、或者判断用户评价是正面还是负面的……这些例子都太常见了，我说说我打算用它做什么：
此外还有个特别神奇的用法：有人用Jev做了个聊天机器人。原理是把26个英文字母、标点符号和一个特殊的停止符号一起作为选项发给Jev，让它选一个字符返回，直到它发回停止符号，就算是它说了一句话。
还有，像browser/computer-use这种本来基于大语言模型的应用，因为Jev在速度和价格上的巨大优势，一下子也变得实用很多（看jev-browser和jev-ultrafast）。
我觉得现在人们还在理解和消化Jev，接下来一定会出现很多新的用法。