科技虎嗅·叶小钗··AI 生成
AI 圈又在造神？这次我想给Jev 泼点冷水
文章认为Jev本质上是一个面向程序调用的语义判断器，通过预设答案范围、RLCD训练等技术实现了低成本、高速度，其切入的场景（意图分类、槽位抽取等）确实有价值。但作者从AI工程实践角度指出：Jev并非真正的「系统一」（快系统），而是将大模型的文本生成替换为选择，快慢系统的核心在于逻辑链完整性而非模型速度；且实际效果可能不佳（成本优势有限，准确率下降约5个百分点）。对于深耕AI落地的工程团队，Jev值得关注但不宜过度追捧，其能力边界清晰，很快会被同类模型跟进。原文 ↗原文 ↗
核心观点
- ▍Jev是一个面向程序调用的语义判断器，核心价值是用更低成本替代通用大模型做意图分类、槽位抽取等小判断，但它并非真正的「系统一」，也不代表大模型是「系统二」。
- ▍Jev的能力边界清晰：只能处理预设答案范围内的选择题，准确率比通用大模型低约5个百分点，对判断错代价高的业务场景并不划算。
- 01Jev通过预设答案范围（type: choice/noul）和并行采样器实现速度优势，输出是概率分布而非生成文本，一次请求内的多个问题可同时计算。
- 02Jev采用RLCD（面向校准决策的强化学习）训练，目标使模型输出概率（如「90%是退款」）与真实统计概率一致，从而提供可置信的置信度。
- 03根据引用数据，Jev费用约为对照模型的六分之一，但准确率低约5个百分点；社群反馈显示「意图分析太简单」「推荐回复有点2」。
- 04在Jev出现前，业界通常采用小模型微调处理标准化/归一化任务（意图分类、槽位抽取、脏数据纠正），但数据整理、标注、训练、维护成本同样不低。
- 05作者认为，在AI工程中所谓「快系统」负责理解复杂人话，而「慢系统」需将具体检查逻辑明确写出来（如医疗案例中引入专家系统做规则校验），速度本身不决定快慢，逻辑链完整性才是关键。
反方 / 局限
- — Jev官方及部分自媒体将其类比为「系统一」（直觉快系统），但作者指出这是概念误用：大模型即便多步推理也不等于系统二，因为其推理过程并未遵循明写的业务规则。
- — Jev的便宜是以准确率下降为代价换来的，对于判断错误成本高的场景（如医疗、金融等），省下的token费用可能远不足以覆盖错误损失。
- — 作者预测这类能力很快会被通用大模型以类似功能（如GPT的function calling、专有小型后缀模型）覆盖，Jev的先发优势期可能很短。
12 分钟 · 4 卡片 · 12 资料
读原文 →前置背景
技术原理
未来推演
延伸追问