How I AI:Jev 决策模型入门——9 美分分析 1,700 个 PR,与前沿模型搭配更强大
摘要
本期播客中,Claire 实测 TypeSafe AI 推出的决策模型 Jev,展示它如何以极低成本完成大规模分类、聚类与路由任务,并说明为何它与前沿模型搭配使用时效果最好。
核心要点
- Jev 由 TypeSafe AI 推出,是「决策模型」而非语言模型:不生成文本,只返回类别、分数、概率等预定义值;Claire 认为这覆盖了约 90% 软件工作流的实际需求。
- 定价为每百万输入 token 4 美分,且不收取输出 token 费用;她一周在 Jev 上的总花费不到 10 美元。
- 她用 Jev 比对 ChatPRD 的 1,700 个 pull request(共 17,000 对组合),仅花 9 美分、约两分钟,并借 Gemini Flash Lite 标注聚类结果,发现近 30% 的工程投入流向平台、安全与基础设施。
- Claude Code 与 Codex 会在本地保存历史会话,Jev 几分钟内即可完成分类,由此发现工程类使用占比从 1 月的近 100% 降到 9 月的不足 40%,空缺由智能体和媒体发布填补。
- 典型协作模式是分层处理:Jev 负责分类、聚类、过滤和路由,只把最重要的分组交给 GPT-6 Astra 深度推理;ChatPRD 的产品洞察图谱借此处理 1,100 条信号、完成 20 万次操作,Jev 侧成本约 4 美元。
原文佐证
- Jev is a decision model, not a language model, and that distinction can make many tasks dramatically cheaper.
- It cost Claire 9 cents to understand where two years of engineering work went.
- Claire spent less than $10 on Jev during the week, making classification workloads that would normally be expensive at scale feel almost free.
AI 洞察
Jev 这类「窄输出、按输入计价」的模型,实质上把 AI 的成本结构从「按生成量付费」改成「按数据量付费」,这会重新划分哪些任务值得用大模型、哪些该交给廉价专用模型,模型分层路由可能成为标准架构。若决策模型真能覆盖九成软件工作流,价值重心将从模型能力转向编排与数据管道,而价格优势本身也会成为新应用形态(实时循环、全量日志分析)的创造者而非附赠品。