北京
最近突然冒出来一个新模型，叫Jev。
速度动不动就是主流大模型的几十倍、上百倍，价格还低得像不要钱。看着这些Demo，很容易产生一种感觉：
GPT、Claude又要被掀桌子了？
但真把它拆开看，会发现这事儿被吹得有点邪乎。
真的是在同一场比赛里吗？
上线不到一周，网上各种炫酷Demo。
有人拿它打DOOM，战斗时能做到一秒十来次判断，露头就秒，有人让它 40 秒分析几百条广告，还有人拿它搭自动驾驶模拟Demo。
游戏、广告、地图、自动驾驶，什么都能插一脚。
“几百毫秒返回” “速度吊打 Claude”“成本只有几百分之一”， 看起来简直是专门来砸GPT、Claude场子的。
可问题是，它们真的是在同一场比赛里吗？
还掀不了桌
其实Jev和GPT、Claude根本不是一类模型。
GPT、Claude属于我们熟悉的大语言模型。你让它写文章，它能自己生成一段文字；让它写程序，它能直接生成代码。整个过程是一点点往外写，一个token一个token地接下去。
Jev走的是另一条路，叫System One Model。
它不负责自由生成文字，也不负责写代码。它的输出基本就三种：
Choice：提前给它几个选项，它选一个。
Score：提前定好一个范围，它给出一个分数。
Noul：问它一件事成立不成立，它给出概率。
它现在像一个AI化的if-else：它不会像GPT-6一样直接给你写出一大段新代码，也不能写文章、做开放研究，更没法自己把一个软件系统从零搭起来。很多看起来很炫的Demo，真正干活的依然是外围代码、现有工具，或者其他模型。
就像前面DOOM的案例，其实靠的是程序员先把信息整理好：现在还有多少血、多少弹药、敌人在哪、角色处在什么位置，再把这一刻能做的动作提前列出来，比如前进、转身、开枪、换武器。
这些都准备好以后，再交给Jev。它选一个动作，外面的程序再真正执行。
所以这样看下来，Jev还是取代不了这些主流模型。
但它确实有自己的位置
Jev 把生成能力砍掉以后，换来的就是一件事：判断又快，又便宜。
而现实里有太多工作，本来就不需要AI给你洋洋洒洒写一篇东西。
比如筛简历。公司一次收到几千份申请，真正需要做的是判断有没有相关经验、和岗位匹不匹配、要不要进入下一轮，再把不同候选人分到对应岗位。
还有人拿Jev整理300封杂乱邮件，把每封邮件自动分到对应的15个部门。9.9秒全部发牌入槽，总成本只有0.036美元。
Jev 这种模式天然适合把原来很贵的“智能判断”，铺到非常大的数据量上。
甚至大模型自己，也可以成为它的审核对象。
比如写代码。今天用Claude、Codex做项目，很多时候是自己写、自己检查，发现问题再自己改，不但可能把前面的判断盲区一路继承下去，每检查一次还要重新读上下文、推理、生成，又慢又贵。
Jev可以直接插在中间。
Claude负责写，Jev负责查。正确性有没有问题？测试够不够？有没有安全风险？这一版能不能继续往下走？
不过，就打回去继续改；过了，再进入下一步。
再往前一步，它甚至可以负责调度模型。
一个任务来了，先判断难度、类型和风险：简单的交给便宜模型，复杂的再叫最强模型，风险太高直接转给人。
Agent做到一半，也可以判断下一步该调用哪个工具、哪个模型，还是应该直接停下来。Jev本来就被设计成可以嵌入软件工作流，做分类、路由、评分、验证和分支判断。
过去大家一直在追求一个什么都会的超级模型，规划、生成、检查、执行全包。
Jev提供的是另一种思路。结合起来，效果没准更好。
AI进企业，难点才刚开始
当AI可以随手塞进流程里，企业要解决的也会更具体：哪些步骤交给AI，哪些流程重做，人和Agent怎么配合。
如果原来的流程完全不动，再好的模型也很难把效率释放出来。
过去三年，猎豹移动一直在做的也是这件事。
从一把手自己下场，到把AI真正放进业务，再到流程、组织和协作方式一起调整，中间踩过不少坑，也积累了一套自己的方法。
我们把这些浓缩成了一天的猎豹AI实战派。
10月16日深圳、10月30日上海，我们会从认知到实操，把企业到底怎么把AI真正用进业务里，一层层拆开讲。
如果你也在思考企业AI转型到底该怎么落地，欢迎扫码报名，带着真实问题来。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
