今年和微信最贴合的AI，竟然是个哑巴

过去两年，整个行业都在比赛谁家模型更会说话。9月16日之后，硅谷开始流行一个相反的问题——如果它一个字都不说呢？

1.

先看一个不会说话的AI模型。

这款名叫Jev的模型，上线Vercel的AI Gateway之后，24小时内，接近13%的Vercel付费团队把它接了进来。这是该平台历史上新模型被采用最快的一次。

然后你去看这个模型能干什么——它不能聊天，不能写代码，不能写文案，不能看图，也不能解释理由。

一个什么都不会的模型，却跑出了平台最快的采用曲线。

这在如今各个大厂都在卷“生成模型”、比上下文比输出内容多不多的时候，几乎是给了整个AI行业当头一棒。

而Jev能拿下如此多的采用，仅仅是因为它做了一个转向：把"判断"从"生成"里切了出来。

2.

介绍一下这款神奇模型吧。

Jev诞生于旧金山的AI团队TypeSafe AI，9月16日才发布。

但创始人来历不小，迪奥戈·阿尔梅达是GPT-4论文的共同作者、前OpenAI研究员。公司隐身研发了两年，出来时带着DCVC领投的4000万美元种子轮。

它给自己贴的标签是"系统一模型"（SystemOneModel），典故出自卡尼曼的《思考，快与慢》：系统一是不用过脑子的直觉判断，系统二是慢下来一步步推理。

TypeSafe的说法很直接，过去这些年所有人都在卷系统二——会思考、会写长文、会解释、会反思。但软件内部真正需要的那类判断，绝大多数是系统一。

所以Jev只做一件事：答选择题。

3.

它的接口就很简单：

你给它一段"状态"（一封邮件、一行日志、一条工单、一段程序状态），再给它几个提前定好类型的问题，它一次性把答案全吐回来，每个答案带一个概率，外加一个"我有几成把握"的置信度。

题只有三种：

-Choice：从最多255个选项里挑一个

-Score：在一个2到10级的刻度上打分

-Noul：给出一个0到1的是/否概率

三种题型可以混在同一个请求里并行计算。官方说法是，问一个问题还是问四个问题，延迟几乎一样。

快和便宜是它的底牌。普通大模型是一个字一个字往外写，写多久取决于要写多长；Jev不写字，答案的取值空间在提问的那一刻就锁死了，把每个选项的概率算一遍就结束。端到端70到500毫秒，输入每百万token收0.042美元，输出免费。

是的，你没看错，输出免费。而且，由于仅仅输出选项，所以它的幻觉率，是0。

4.

更超出人们想象的是，Jev的场景。

Jev火了之后，社区用得最多的一个场景，是拿它当微信插件。

我们都忽略了一件事，很多传统软件里需要AI做的事，其实不是生成，而是判断。

比如上司用微信对你说：你看着办。

到底该怎么办？小改一下？放着不管？还是推倒重来？这些都是判断题。

把这类问题拆开看，都是同一副形状：

-这条消息要不要回？

-要不要@对方？

-这条是不是广告？

-要不要把人踢出群？

-这条该不该转人工？

-这个人是不是想退款？

-这段话有没有违规？

从有限选项里挑一个，而且要在几百毫秒内出结果。这正是Jev的形状。

5.

那为什么不用大模型？

因为大模型慢。大模型回一条要3到30秒。微信群的消息是滚动的，30秒之后你再接话，对方早走了，话题也早换了。70到500毫秒，意味着你还赶得上在消息滚出屏幕之前插一句。

贵。

微信机器人多半跑在便宜的常开或轻量服务器上，单次判断的成本必须低到可以忽略不计。几十万条消息逐条过一遍大模型，那就是真金白银。0.042美元每百万token、输出免费，把单条判断压到万分之一美元的量级，这笔账才算得过来。

不敢说错话。一个自由生成的大模型塞进聊天框，随时可能冒出一句不该冒的话，轻则社死，重则触发风控直接封号。

而Jev根本不生成文本，它只从你给的选项里挑，从结构上就"说不出格"。

6.

Jev和微信更契合的地方在于，顺手解决了微信插件的老大难问题：自动回复和转人工之间那条线。

全自动，内容控不住；全转人工，人扛不住。而Jev可以给每个判断配了一个校准过的置信度，这条线从"凭感觉"变成了一道阈值——把握高就自动放行，把握低就转给人，或者转给更贵的大模型。

还有一个容易被忽略的升级：关键词匹配变成了语义判断。以前是命中"广告"就踢人、被@了就应答，对方换个说法就失效。现在判断依据从关键词挪到了意图，同样是回不回、踢不踢，但底层逻辑已经换了，实现的成本也更低了。

现在安装这个模型也不复杂：对Codex说一句npxskillsaddtypesafe-ai/skills，或者在ClaudeCode里加个插件市场，再或者通过OpenRouter直接调用就可以。

社区里已经有现成产品，比如我用的比较多的wechat-jev-hud——一个跑在Windows上的微信HUD，截屏、定位聊天区域、识别文字气泡，把Jev卡在OCR和叠加层中间做实时判断。

效果就是对方这条消息，有多大概率是在说哪种事，直接标在屏幕上。

7.

Jev火得这么快，是因为它踩中了一个积压已久的问题：Agent为什么还是又慢又贵？

过去两年的AI叙事是更长的上下文、更聪明的推理、更漂亮的回答。可真把一个模型塞进每天要跑几十万次的系统里，你会发现，其中大多数调用根本不需要它"说话"，只需要它"判断"：一张工单归哪个部门，一次工具调用有没有风险，一段输出有没有跑偏，下一步该点页面上哪个按钮。

这些问题只有一个正确答案，而且选项早就写在你自己的代码里。让一个会写作文的模型先写一段话，再由程序把它翻译回一个判断——绕了整整一大圈。

Jev想省掉的，就是这一圈冗余流程。所以社区里很多人说它像一句"语义if语句"：如果对方的意图是这样，那就给这个答案。

不过"Jev取代大模型"是个伪命题。更合理的分工是：大模型负责把判断规则想清楚，Jev负责在生产环境里高频、低价地执行。

微信这个例子其实已经说明了它先落地的地方不会是"需要创造力"的场景，而是高频、低成本、不能出错的地方。判断越频繁、越琐碎、越怕错，它就越合适。

当"判断"这件事本身变得足够便宜，我们可能干脆就不让模型说话了，只让它做判断。判断层会像数据库、像缓存一样，变成一层默认的基础设施，藏在每个应用的底下。

过去AI都想着做颠覆，但越来越多的证据证明，AI是过去互联网积累之上的延伸，依旧站在巨人的肩膀上。