返回列表
🧠 阿头学 · 💬 讨论题

剥离文本生成的决策引擎：Jev架构的激进取舍与商业野心

Jev模型通过彻底放弃文本生成能力换取极致的决策速度与成本优势，这一架构取舍在垂直Agent场景中具备明确的工程价值，但将其直接等同于AGI最短路径属于严重的过度营销。
打开原文 ↗

2026-09-16 原文链接 ↗
阅读简报
双语对照
完整翻译
原文
讨论归档

核心观点

  • 架构降维换取性能跃升：Jev主动剥离文本生成模块并将自回归串行计算替换为并行决策计算，从而在特定任务中实现数十倍的速度提升与成本骤降。
  • 高基数决策场景的零幻觉优势：限制自由文本输出能从根本上切断大模型的幻觉生成路径，确保海量选项环境下的动作执行具备绝对确定性。
  • 定价策略暗含杰文斯悖论逻辑：宣称“输出Token永久免费”实为利用极低边际成本刺激调用量指数级爆发的商业钩子，意图通过规模效应抢占AI工作流底层入口。
  • AGI路径的叙事存在逻辑断裂：将专用决策模型包装为“通向AGI的最短路径”违背了通用智能依赖语言抽象与跨域迁移的学界共识，属于典型的技术概念偷换。

跟我们的关联

  • 对 Neta 意味着什么、下一步怎么用：当前Agent架构过度依赖单一LLM导致延迟与成本失控，意味着必须将意图解析与动作执行强制解耦，下一步应在路由层直接替换为Jev类并行决策模型以击穿高频调用瓶颈。
  • 对 ATou 意味着什么、下一步怎么用：按输出计费的传统SaaS模式将被“输入计费+执行免费”的管道模式颠覆，意味着产品定价逻辑必须重构，下一步需将核心考核指标从生成质量全面转向工作流吞吐量与决策准确率。
  • 对 Uota 意味着什么、下一步怎么用：极低的单次决策成本使海量实时A/B测试与动态干预成为可能，意味着增长策略必须放弃静态功能堆砌，下一步应全面转向构建基于高频微交互的自动化增长飞轮。

讨论引子

  • 剥离文本生成能力后，决策模型在遭遇非结构化模糊指令或需要多步因果推理的复杂业务流时，其失败率是否会呈指数级上升？
  • 当大模型推理优化技术正以季度为单位压缩成本时，Jev宣称的“数量级优势”窗口期究竟有多长？
  • “输出免费”的定价策略在算力物理成本无法归零的前提下，究竟能维持多久的交叉补贴，其商业闭环的盈利锚点究竟在哪里？

在共同发明 ChatGPT 之后，我不断问自己：为什么超人类聊天模型没有通向通用人工智能（AGI）？

过去两年里，我一直在隐身模式下构建一种全新的模型训练方法（RLCD），以及我们今天即将发布的一种新型前沿 AI 模型：Jev

• 成本低 40-400 倍（输出 token 免费）

据我所知，这是通向基于 AI 的经济革命的最短路径

这些提升并非没有代价：Jev 无法生成文本

将 Jev 与大语言模型直接对比，这种权衡便一目了然

有趣的是：用并行计算取代串行计算，正是 Transformers 超越循环神经网络的方式

我们相信未来属于代码 + AI，因此设计了工作流评估来反映这一点 Jev 成本：每十亿输入 token 42 美元（$0.042 / MTok），且输出 token 免费（永久免费——得益于我们的全新架构，其成本低到无法计费）

Jev 得名于 Jevons paradox，并且脱离了

我们很高兴看到它展示了实时智能，以及代码 + AI 能够实现什么！

~10 次调用/秒 = ~$7/小时

游戏：仅使用链接，从一个 Wikipedia 页面竞速跳转至另一个页面

挑战：在数百乃至数千个链接中做出选择

这不仅展示了每秒智能，更体现了在面对高基数选择时不产生幻觉所带来的复合收益

After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI?

I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev

• 20-200x faster • 40-400x cheaper (w/ output tokens free) • Frontier composable intelligence optimized for decisions

AFAICT the shortest path to AI-based economic revolution

The gains aren’t free: Jev can't generate text

Comparing Jev vs LLMs side-by-side makes the trade-off clear

Fun fact: replacing sequential computation with parallel is the same way Transformers leapfrogged RNNs

We believe that the future is code + AI, so made workflow evals to reflect that

Jev costs: $42 / BILLION input tokens ($0.042 / MTok) and output tokens are free (forever - they’re too cheap to meter with our new architecture)

Jev is named after Jevons paradox and off the

We love how this doomo doomonstrates real-time intelligence and what can be doone with code + AI!

~10 calls/sec = ~$7/hour

Game: race from one Wikipedia page to another using only links

Challenge: choosing between hundreds to thousands of links

Shows not just intelligence-per-second, but also the compounding benefits of not hallucinating with high-cardinality choices

在共同发明 ChatGPT 之后，我不断问自己：为什么超人类聊天模型没有通向通用人工智能（AGI）？

过去两年里，我一直在隐身模式下构建一种全新的模型训练方法（RLCD），以及我们今天即将发布的一种新型前沿 AI 模型：Jev

• 成本低 40-400 倍（输出 token 免费）

据我所知，这是通向基于 AI 的经济革命的最短路径

这些提升并非没有代价：Jev 无法生成文本

将 Jev 与大语言模型直接对比，这种权衡便一目了然

有趣的是：用并行计算取代串行计算，正是 Transformers 超越循环神经网络的方式

我们相信未来属于代码 + AI，因此设计了工作流评估来反映这一点 Jev 成本：每十亿输入 token 42 美元（$0.042 / MTok），且输出 token 免费（永久免费——得益于我们的全新架构，其成本低到无法计费）

Jev 得名于 Jevons paradox，并且脱离了

我们很高兴看到它展示了实时智能，以及代码 + AI 能够实现什么！

~10 次调用/秒 = ~$7/小时

游戏：仅使用链接，从一个 Wikipedia 页面竞速跳转至另一个页面

挑战：在数百乃至数千个链接中做出选择

这不仅展示了每秒智能，更体现了在面对高基数选择时不产生幻觉所带来的复合收益

After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI?

I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev

• 20-200x faster • 40-400x cheaper (w/ output tokens free) • Frontier composable intelligence optimized for decisions

AFAICT the shortest path to AI-based economic revolution

The gains aren’t free: Jev can't generate text

Comparing Jev vs LLMs side-by-side makes the trade-off clear

Fun fact: replacing sequential computation with parallel is the same way Transformers leapfrogged RNNs

We believe that the future is code + AI, so made workflow evals to reflect that

Jev costs: $42 / BILLION input tokens ($0.042 / MTok) and output tokens are free (forever - they’re too cheap to meter with our new architecture)

Jev is named after Jevons paradox and off the

We love how this doomo doomonstrates real-time intelligence and what can be doone with code + AI!

~10 calls/sec = ~$7/hour

Game: race from one Wikipedia page to another using only links

Challenge: choosing between hundreds to thousands of links

Shows not just intelligence-per-second, but also the compounding benefits of not hallucinating with high-cardinality choices

📋 讨论归档

讨论进行中…