Jev，让全球程序员玩疯了

据深潮 TechFlow发布，作者｜宇航猿编辑｜靖宇智能家居社区 Home Assistant 最近出现了一个名为 HA-Jev 的插件。 它的逻辑极其简单，传感器读取洗衣机的功率变化与洗衣房门的状态，然后抛出一个问题给模型，「洗衣机洗完了，衣服是不是被忘在里面了？」模型不输出任何文字分析，只返回一个概率值。当置信度超过 0.8 时，手机就会弹出一则取衣提醒。 HA-Jev 仅仅用来提醒用户洗完的衣服是不是还留在洗衣机里｜图片来源：pitchhut 一次判断耗时几十毫秒，花费 0.000015 美元 。 插件开发者在论坛里留下一句意味深长的话，「我过去一直在用大语言模型回答根本不需要它的问题。衣服忘没忘拿是一个判断，不是一篇八股文。」 这句话恰好刺中了当前生成式 AI 的痛处。过去四年，整个行业把几乎所有的算力、资本和工程资源，都压在「教模型说出更流畅的人话」上。大家习惯了用百亿甚至千亿参数的庞然大物，先吐出一长串思考过程，再包装成礼貌体贴的自然语言，最后让开发者用复杂的正则表达式把需要的答案抠出来。 直到前 OpenAI 研究员 Diogo Almeida 带着他的新模型 Jev 登场。这个被称为「System One」的模型没有嘴巴，不生成任何文字，只输出概率判断。 上线不过数天， 全球开发者围绕它疯狂砸出了近五百个开源项目 。这可能是 Openclaw 之后，最让人们兴奋的新项目。 大家忽然发现，一旦剥离大模型的表达欲，原本昂贵而臃肿的 AI 应用，突然轻快得像一阵风。 01 大模型的「神经元」 如果把过去调用 GPT-5 或 Claude 的过程比作雇佣一位全知全能的哲学家，来帮你盯监控，那么开发者们现在用 Jev 所做的事，更像是给流水线装上了无数个廉价且反应灵敏的神经元。 在最耗费算力的 Agent 基础设施领域，这种变化几乎是颠覆性的。 过去开发者处理超长上下文，最常用的手段是让大模型做摘要。开发者 Tamara Tran 换了个思路，写了一个 Jev 插件用来压缩 Claude Code 的上下文。它不做任何归纳总结，而是逐条给历史工具调用的相关性打分，只要分值低于阈值，直接整条剔除。 用 Jev 插件用来压缩 Claude Code 的上下文｜图片来源：X 结果极其夸张， 接近 100 万 token 的臃肿上下文，在 1 秒钟内被精简到 8.6 万 ，整个过程模型没有敲下一个字符。这里的洞察非常朴素，摘要是昂贵的生成行为，但过滤只是一次冷酷的判断。 类似的颠覆也发生在移动端自动化上。 使用 mobile-jev 操作手机｜图片来源：jevfast.com Droidrun 团队做了一个名为 mobile-jev 的手机操作代理。在一段流出的演示中，它控制真实 Android 手机打开 Uber，输入起点和终点，一路精准点击直至付款界面， 全程 9 个操作步骤仅耗时 21 秒 。 整个流程没有调用过任何传统的文字生成大模型，文字输入是直接从用户指令中截取的纯文本片段，而每一个界面的下一步该点哪里、该滑动还是该确认，全部交给 Jev 做极速概率匹配。 除了操作界面，开发者们甚至把它塞进了最古老的基础设施里。 GitHub 上很快涌现出 pg-jev 和 duckdb-jev。开发者开始用自然语言，直接对数据库的行数据进行实时概率过滤和排序。在 Ruby 社区，有人直接把判断封装成了原生控制流语法，代码写出来就像是给程序赋予了直觉。 使用 Jev 打「星际」已经成了一系列 Github 项目｜图片来源：Github 在游戏领域，有人让 Jev 操控模拟器状态。