我们用190次财报任务实测了Jev：当AI判断被卖成零件

2026年上半年，贵州茅台实现营业收入907亿元，同比增幅不足两个百分点；归母净利润445亿元，同比下降两个百分点；经营现金流707亿元，同比增幅接近5.5倍。

若将这段内容放入一场测验，提供5个选项要求选出最贴切的一个，你会如何抉择？

9月15日，美国初创企业TypeSafeAI结束了两年隐身状态，推出名为Jev的模型，瞬间吸引了硅谷及AI界的广泛关注。

上手测试时，我们将上述问题输入该模型，它连续三次选择了同一个选项，且每次均表现出十足的信心。整道题目的成本不足0.001美元。

该模型的独特之处在于，它不生成任何文字，不阐述理由，不编写代码或进行对话，仅根据给定材料和几个候选描述，从中勾选一个，并附带一个数字表示其确信程度。

这样一个仅做“减法”的工具，在一周内被OpenRouter等多家开发者平台及模型网关接入，数日内甚至出现了开源仿制版本，引发了硅谷及AI圈的轰动。

Jev的创始人DiogoAlmeida曾在OpenAI从事4年研究，其参与的InstructGPT是后来ChatGPT的前身。DCVC领投了4000万美元的种子轮。模型名称取自19世纪经济学家杰文斯，这个名字蕴含了公司的全部赌注。

回到开头关于茅台的题目，会发现几个正确答案几乎是对材料事实的复述，这道题本身难度不高。但真正值得探讨的是：一个连文字都不生成的AI，凭什么能引起如此热度。

从顾问变为开关

任何从事AI产品开发的人都清楚一个日常困境。

一家公司的系统每天处理大量琐碎的判断任务：这封邮件是否属于投诉，这份公告是否提及诉讼，这笔退款是否应自动批准。

最常见的做法是每次调用一个大模型来回答，但大模型的核心工作方式是生成，需要逐字输出。你问它一个“是或否”，它可能先写三段分析再给出结论，按字数计费，等待数秒甚至数十秒，返回的文字还需程序解析和校验，格式不对则需重来。

更麻烦的是，当大模型说“我很确定”时，这句话本身并不附带量化的刻度。

有时“很确定”就像传统烹饪中的“少许”，究竟是七成还是九成，对应的一到三成不确定性落在哪个错误方向上，都无从知晓。

因此，大量本应由机器自动完成的判断，陷入了某种两难境地：用大模型成本太高、速度太慢，依靠固定规则又不够灵活。

Jev对此做了件看似简单的事：预先写好答案，让模型仅负责挑选。

将材料和备选答案一并输入，模型同时对每个选项给出支持程度，选出最高的那个返回。由于无需逐字生成，速度提升了不止一个数量级；因为仅按读取的材料字数收费，不收取输出费，每次判断的成本几乎可以忽略不计。

其中最关键的区别在于计价单位的变化。

大模型卖的是“字数”，Jev卖的是“一次判断”。

字数是服务的计价方式，一次判断则是零件的计价方式。零件可以进入采购清单，可以计算单位经济账，可以嵌入一行代码中运行上万次。如果这个零件足够便宜，软件中会涌现大量此前根本不值得调用AI的判断点。

TypeSafe自身进行了一组评测，在5个业务场景中将Jev与几个大模型工作流进行了对比。

在准确率上，Jev仅追平了中档水平，比最强的那个低了6个百分点。全部优势集中在单价和速度上：每次判断便宜数百倍且快数十倍。

另一个常被提及的卖点是“不会胡编”。

严格来说，Jev的答案只能落在你给定的选项内，因此它无法编造出一个凭空的概念或数字。

但它可以非常有把握地选错，错误的形态从“写出一段不存在的话”变成了“自信地勾错一个选项”，后者更不易被察觉。

创始人本人也承认，在高把握度下答错是可能的。

TypeSafe还做了一件在AI公司中不太常见的事——在说明书中列出了自己模型的所有已知短板。它写道，Jev阅读日期如同阅读普通文字，不擅长算术，材料中夹杂无关内容会分心，英语表现最佳，中文可用但较弱，并建议在非英语场景下先用自己的材料测试。

这份说明书之所以值得写，是因为它正好定义了我们接下来要做的事。

面对猪周期，它犹豫了

TypeSafe的说明书明确指出中文弱于英文，并建议用户先自行测试。

Jev发布以来，公开可见的中文实测极少。因此，我们在解决API问题后，使用国内财经场景的材料进行了一轮测试。

规则设定得很简单：材料取自监管部门及各公司的中报原始公告，并用Wind进行了交叉核对。每道题的参考答案在调用模型之前写好并封存，写完一个字未改。

每道题反复询问三遍，观察它是否会自行改变主意。

我们准备了15道题，覆盖从“两新”政策到降准降息、从煤炭供应冲击到汽车芯片短缺、从光伏到生猪周期，再加上宁德时代、比亚迪、万科、腾讯、茅台、美团、京东、泡泡玛特、安踏九家公司的中报。

45次判断，全部命中，每道题3次答案完全一致。

这份成绩单最无趣的部分就是那个满分，有趣的是第15题。

2021年8月，生猪存栏同比增长近三成，养殖户每头猪平均亏损上千元，能繁母猪的存栏同比仍在增长，尽管环比已下降，过剩尚未结束，但产能收缩的信号已出现。这道题正好处于拐点。

Jev三轮均选择了“从过剩走向再平衡”，但这是15道题中唯一一道把握度未拉满的，三轮分别报出85%、88%、85%。剩余的一成多不确定，它分配给了“仍然过剩”，未给予其他错误方向。

一串满格把握说明不了什么，这个犹豫表明它仍具备一定的判断力。

满分的原因与测试题目有关。

例如增长率，“同比增长54.80%”“同比下降7.13%”，都是预先计算好并输入给它的，它从头到尾未做过一次加减法。

TypeSafe自身的评测中，Jev最差的一项是发票核对，需比对金额、数量和交货日期，仅得61.8%。TypeSafe的说明书也写着：算术请留在代码里。

我们相当于照着说明书出了一张试卷，将其已知短板都绕开了。

一个模型表现好坏，更取决于给它出题的设计。这也意味着，围绕它做产品的人，核心竞争力可能落在选项设计和数据预处理上。

接着我们进行了第二轮测试，将算账的任务交还给模型。

同一条除法，连续错10次

第二轮选择了3家公司，出了26道题，每道反复询问5遍，题目与我们预期一致，在调用前全部封存。

我们押了13处它会失手，最后只中了两处。

例如，它数数居然数对了。泡泡玛特半年报中11个IP和业务线的收入两列中，数出其中几个下降，它5轮给出的区间都正确，只是列表越长越不确定。TypeSafe的说明书称它不会可靠计数，但这道题它做到了。

青岛啤酒二季度利润下降，上半年累计利润上涨，方向相反地混在同一段材料中，5次均未被单季数字带偏；海尔2024年的收入增长有多少来自年底完成的3笔收购，有多少来自自身，需用总增量减去收购贡献再算比例，它5次都归对了。

4家公司的收入增速分档题也全部答对。例如针对伊利业绩，实际增速4.13%，分界线定在4%，仅差0.13个百分点，这道题给出了97%的把握。

将茅台整章管理层讨论直接输入，答案准确；泡泡玛特的英文版4.4万字符也输入了，10次全对。但同样是整章中报文字，海尔的中文版5次均被接口拒收。

可见同样篇幅，中文消耗的计费单位明显更高，也更容易触及读入上限。

然后测试来到了模型的边界。

我们分别给宁德时代、金山办公和茅台两年的收入和成本，询问毛利率是变好了还是变差了。

这种题需要先算出两年的毛利率再比较变化幅度，人看一眼也得用计算器。这种基本答不对，但它自己知道，报出的把握度只有不到两成，概率几乎平均分布在6个选项上，等于明牌表示自己“在猜”。

计算结果离分界线远、粗算一眼就能判断方向的题，它基本都对；结果贴着分界线、需算到小数点后才能区分的题，三道错了两道。

这印证了说明书的定义：Jev不是计算器，算术要留在代码里。对想用它做金融产品的人来说，这条线划得很清楚：从取数、对齐口径到算比率，这些活必须由程序完成，Jev只能接手最后那一步语义判断。

不过测试中发现的一个意外是，它答错了一道自己不知道错了的题。

为了测试它在贴线题上的表现，我们挑了美的2025年中报做对照：营业成本同比增长16.83%，我们的分界线划在17%。

材料中2024年同期营业成本同时列出了原口径约1584亿元和调整后约1599亿元两个数字。它5次都选择了“达到17%”，且均有超过八成把握。

我们原以为是两套口径将其带偏。如果按原口径算，增速确实会到17.9%，刚过线。于是删除原口径和调整额，只留调整后的两个干净数再问5次。

结果居然还是全错，把握度反而更高了。

同一道题的两种问法，问了10次错了10次。这是我们第3次猜错它会在哪里出错。伊利贴着线答对，美的贴着线答错，原因无法确定，主要因为Jev不展示解题过程无法溯源。能说的只有观察位数和单位差异，比如美的的数字是9位数、单位千元，伊利是4位小数、单位亿元。

毛利率题的错误会报警，它自己知道在猜，用它的人可以设一个门槛，把握度不够就转人工。

要警惕的反而是美的那道题，它很确定自己是对的。在真实的产品中，后者更危险。

比较令人好奇的是，它所谓的“把握”到底在衡量什么。

对此我们又做了一组测试：将开篇那道茅台题的正确答案和“以上都不对”从选项表中移除，只留3个与事实矛盾的描述。它几乎把全部支持压在了“收入下降”的选项上，但茅台的收入实际上在涨。

更直观的对照是，同一个错误描述在两种测试中的待遇不一样。

当设定有“以上都不对”这个选项时，它几乎不给这些描述任何支持；但选项一旦移除，支持度一下子跳到八成以上，3家公司无一例外。

TypeSafe在文档中解释过这个机制：把握度衡量的是“在这几个答案里，模型有多偏向其中一个”，它并不衡量答案本身对不对。把握度达到95%，意思是“这几个里面最像这个”，读成“95%等于100%”就错了。

它只会在你写好的答案里挑一个，挑得再笃定，也挑不出你没写的那个。

衍生的价值流向

190次判断，按公开标价其实合计不到1毛钱。这种判断，1元钱大约可以购买数千次。

19世纪，蒸汽机更省煤之后，英国的煤反而烧得更多了，因为便宜到值得用在以前不值得烧煤的地方。这正是杰文斯悖论的起点。

TypeSafe将这种理念写进了模型名。一次AI判断的成本每降一个数量级，调用量的增长会超过省下来的钱。如果判断真能变成零件价格，软件中会涌现大量本就不值得唤起生成式AI的调用点。

应用场景大概率会分为两类。

一是在大模型工作流上叠加防护，即AI助手每次要动手操作前，由它判断这一步需不需要人来审批；检索回来的文档由它先筛选一遍再喂给大模型。一些开发者平台已发布教程教人这样使用。

另一类是原本就不值得用AI的大量琐碎判断，包括但不限于工单分派、退款原因归类、设备告警分级、商品分类、合同条款初筛。数量巨大、单次不值钱、对速度和成本极其敏感。

但我们在测试中也发现了一件事：真正的成本在接口账单之外。

在我们刻意挑选的难题中，将门槛设到最保守、保证放行的判断零错误，大约四成的判断要转给人。

门槛稍微放松一点，错误就混了进来。即便门槛拉到最高，也拦不住一张漏掉了正确答案的选项表。

因此，衍生的商业价值会从模型身上往5个方向流动：包括写进代码里的算术规则和口径处理；由懂行的人设计、且留好“以上都不对”出口的选项模板；用自己的业务数据反复校准的门槛；以及承接转人工流量的复核团队。

而一条能跑起来的流水线大致会是这样一种状态：程序负责取数和算账，Jev负责语义判断，把握度不够的交给人，会写字的大模型负责将结果讲给人听。

TypeSafe自己选择的商业姿态很明确：一周内接入多家第三方平台和网关，自己不做应用层。它赌的是“被集成”，在别人的产品中运行上万次，按量收费。

不过这里有一个待验证的风险：TypeSafe自己承认无法证明当前的定价不依赖补贴。

对科技行业更深远的影响可能是计量体系的变化。过去3年，AI产业最通行的需求指标是token消耗量。

如果高频低复杂度的判断被从通用大模型手中切走，这套以“字数”为锚的指标就会开始失真。

推理算力的需求形状也会分化：“长输出、能忍几秒”和“短输入、高并发、一秒内返回”，对应的硬件和调度结构完全不同。

但零件未必稀缺

Jev发布一周，公开信息里，似乎还没有国内模型公司把“只判断、不写字”做成一个单独定价的商业产品。

但国内类似能力其实本身不缺。

蚂蚁和人大做的LLaDA系列也跳出了“一个字一个字往外写”的框架，但它的目的是写得更快，Jev干脆不写，方向稍有区别。

做判断的能力在国内大量存在：智源的BGE、阿里Qwen3的排序模型、各家的内容审核和金融文本打标，在搜索、风控、合规链路中每天运行无数次。

关键在于，它们只是被当成被调用模型来用，没有人把它们包装成一个独立的模型品类、定出独立的计价单位。

事实上，Jev发布几天后就有开源仿制版冒了出来：最受关注的Laya用的是ModernBERT-large（4.21亿参数）纯编码器架构，另有项目直接微调阿里通义开源的Qwen系列模型运行同款决策任务。

中国团队的开源模型成了仿制它的底座，做成商业产品的却是一家旧金山公司。Laya在项目说明中也写明，没有复现TypeSafe声称的校准训练方法。

校准意味着“说八成把握的时候真有八成对”，是TypeSafe标榜的核心差异。壳容易复制，这一层到底有多厚，还需要更多独立测试来验证。

我们的测试，也留下了一个和国内市场相关度更高的发现：

同样篇幅的财报章节，中文材料折算成的Token消耗比英文高出不少，也更容易撞上单次读入的上限。

当然，TypeSafe自己都承认中文弱于英文。一个中文原生的判断模型，在纸面上有空间。

国内模型公司的竞争叙事还锁定在参数规模、编程能力和Agent榜单上，“把一次判断的单价打到零”这条路，目前还没有人走。

但考虑到底层能力具备、开源底座现成、应用场景天然对接中国庞大的金融数据和内容审核需求，这个商业模式大概率会被快速跟进。

快不快，要看有没有团队愿意把它从一个零件变成一门生意。

我们三轮测试下来，接入模型接口其实容易，但更难的反而是把9家公司的中报数据逐条核对干净，再给每道题设计出一组不漏选项的答案。

这门生意把一次判断的价格压到了几乎为零，剩下的价钱，其实就在了出题人的账上。

本文来自微信公众号 “全天候科技”（ID：iawtmt），作者：林克、郑好，36氪经授权发布。