7.0
深览指数
科技人人都是产品经理·虾蛄AI··AI 生成
Qwen也能复刻的Jev，一周内被塞进了这么多产品
TypeSafe 发布的 System One Model（Jev）并非通用聊天模型，而是一个快速、廉价的语义判断引擎：给定状态和候选，返回选择结果、分数或概率。本文通过多个真实案例（虚拟试衣 Drape、浏览器 Polar、个人资料库 keep.md 等）展示了 Jev 如何被迅速集成进产品流程，在处理边界明确的轻量判断时，延迟比通用模型低约 43%，成本极低。适合关注 AI 产品架构、模型选型与工程化落地的技术决策者阅读。原文 ↗
核心观点
- ▍Jev 适合处理的是一类边界明确、候选有限、对延迟敏感的海量轻量判断任务，它并非通用模型，而是 AI 软件中的专用组件，未来类似组件会越来越多。
- 01Drape 虚拟试衣案例中，Jev 每次判断耗时约 620 毫秒，成本约 0.0011 美元。
- 02Polar Browser 将 Jev 用于招聘筛选，根据岗位描述从 LinkedIn、GitHub 等来源的候选人资料中判断谁更值得联系。
- 03keep.md 的 Priority Inbox 功能利用 Jev 持续对新增收藏内容进行阅读优先级评分，解决“易存难找”的问题。
- 04StealAds 用 Jev 对 724 条广告进行 8724 次属性判断（如开场方式、优惠策略、落地页匹配度），耗时约 40 秒，成本约 9 美分。
- 05LlamaIndex 创始人发布的 DocJev 在文档分类和拆分任务中，以相近准确率比 GPT-5.6 Luna 快约 6 倍。
- 06小编复现的本地 3D 试衣间对比测试中，Jev 完整请求平均约 380 毫秒，DeepSeek Flash 约 662 毫秒，Jev 延迟低约 43%；每千次请求成本约 0.17 美元。
- 07社区已出现用 Qwen 2.5 1B 甚至 Qwen 2.5 0.5B 模拟 Jev 逻辑的开源项目（mini-Jev、kev），证明核心思路并非独家。
反方 / 局限
- — Jev 的架构、权重和训练细节未公开，社区难以将其认定为一流技术突破。
- — 一旦任务需要生成新内容（如写代码、创造文本），Jev 无法胜任，仍需通用生成模型。
- — 普通模型通过精心编写的提示词同样可以完成 Jev 的任务，部分场景下准确率甚至更高；Jev 的核心优势在于更快、更便宜和原生结构化输出。
TypeSafeJevSystem One ModelQwenDrapeNailthy Tang (唐慧怡)Polar Browserkeep.mdStealAdsLlamaIndexJerry LiuDocJevHarsha GundalDeepSeek Flash
13 分钟 · 5 卡片 · 14 资料
读原文 →