Jev 入门：ChatGPT 研究员做了个“不会聊天、不写代码”的 AI 模型，但速度快200倍、成本低400倍
内容提要
ChatGPT研究员发布判断专用模型Jev，不生成文本，仅执行选择、评分和概率判断，速度比传统大模型快20～200倍，成本低40～400倍。支持Choice、Score、Noul三种判断方式，输出概率和置信度，适用于工具选择、模型路由、工单分流、内容审核等自动化场景。文章还介绍了注册安装及多个使用示例。
延伸解读
Jev 的定位：判断专用模型
Jev 是 ChatGPT 研究员 Diogo Almeida 推出的判断专用模型，不生成文本，只执行选择、评分和概率判断。它放弃了传统大模型的长文本生成能力，将计算集中在判断本身，因此速度比传统大模型快 20～200 倍，成本降低 40～400 倍。官方将其定义为一种完全不同的模型，适用于工具选择、模型路由、工单分流等自动化场景。
三种判断方式：Choice、Score、Noul
Jev 提供三种判断方式：Choice 用于从多个候选项中选出最合适的一个，如选择工具或部门；Score 用于对某件事的程度打分，如用户不满程度或内容风险等级；Noul 用于判断某件事是否成立并返回概率，如是否广告或退款意图。每种方式都输出概率和置信度，帮助用户根据确定性制定自动化规则。
概率与置信度的实用价值
Jev 不仅给出判断结果，还提供概率和置信度。例如，在截图工具选择中，它可能返回 Snipaste 72%、ShareX 19% 等概率分布，以及置信度 0.99。这种输出让用户可以根据阈值制定规则：高于 90% 自动执行，60%～90% 继续确认，低于 60% 转人工。这使 Jev 特别适合需要自动化决策的流程，平衡效率与准确性。
使用 Jev 的前提与限制
Jev 擅长在已有信息和候选范围内做判断，但不适合凭空生成所有可能答案。使用前需要先提供可判断的范围，例如明确的候选列表或评分标准。它不聊天、不写代码，只输出判断结果、概率和置信度。因此，Jev 更适合作为自动化流程中的决策组件，而非通用对话或内容生成工具。
Q&A
Jev 是什么？它和传统大模型有什么区别？
Jev 是由 ChatGPT 研究员 Diogo Almeida 发布的一种专门用于判断的 AI 模型。它不生成文本，而是专注于选择、评分、判断，并输出概率和置信度。传统大模型擅长生成文字，而 Jev 直接给出判断结果，因此速度更快、成本更低。
Jev 支持哪些判断方式？分别用于什么场景？
Jev 支持三种判断方式：Choice（从多个候选项中选最合适的，如选择部门、模型、动作）、Score（对某件事的程度打分，如用户生气程度、内容风险）、Noul（判断某件事是否成立并返回概率，如是否广告、是否要求退款）。
Jev 为什么比传统大模型快 20～200 倍、成本低 40～400 倍？
传统大模型生成答案时是一个 Token 接一个 Token 往后写，回答越长，等待时间和费用越高。Jev 则直接把任务压缩成“判断结果”，不需要生成长篇解释，从模型设计上就放弃了传统的大段文字生成，把计算集中在判断本身，因此速度更快、成本更低。
Jev 输出的概率和置信度有什么实际用途？
概率表示 Jev 对各个选项的确定程度，置信度表示它对这次判断本身的把握。用户可以根据概率制定规则，例如：大于 90% 自动执行，60%～90% 继续确认，小于 60% 交给人工。这让 Jev 特别适合自动化流程，实现确定的事情自动做，不确定的事情交给人。
如何注册和安装 Jev？
注册需要先通过官网加入等待列表，收到邀请链接后完成注册。安装时，Jev 由 typesafe 发布，注册送 5 美元。登录后，复制首页右侧的 Quickstart 内容给 AI 代理（如 Claude Code、Codex 等）执行安装，然后创建 API Key 即可使用。
Jev 适合用在哪些实际场景？
Jev 适用于多种自动化判断场景，例如：Agent 工具选择、AI 模型路由、客服工单分流、内容审核、Agent 安全监控、智能家居控制、多 Agent 路由、创业点子评分、邮件钓鱼检测、商品分类、游戏 AI、无人机自动驾驶、长上下文预筛选、搜索推荐重排、自动化 Gate 等。
