搭过 Agent 的人都有体感：一个任务跑下来，模型被调用几十次，其中绝大多数不是在”写文章”，而是在做选择题——选哪个工具、点哪个按钮、要不要转人工。9 月 15 日，前 OpenAI 研究员创办的 TypeSafe AI 发布 Jev，把”判断”从”生成”里剥离出来：输入 0.042 美元/百万 Token、输出免费，24 小时刷新 Vercel AI Gateway 采用纪录。两周之内，OpenAI、Cloudflare、亚马逊全部下场，国内上海 AI 实验室和陈大年的 StartLux 直接开源对标——一个新品类，就这么在两周里从首发打成了群战。
· 一、Jev 是什么：一个只做判断的”哑巴模型”
· 二、为什么火：0.042 美元/百万 Token 的经济账
· 三、两周从首发到群战：巨头全部下场
· 四、国产跟进①：上海 AI 实验室 Intern-Decision，多模态 + 快 2~3 倍
· 五、国产跟进②：陈大年 StartLux 开源五档，3 天完成研发
· 六、成绩单对比：Decision Index 与七套测试
· 七、怎么用起来：四类落地场景与置信度门禁
· 八、冷思考：两周就被复制的品类，护城河在哪
一、Jev 是什么：一个只做判断的”哑巴模型”
先说清楚它是谁家的。Jev 由 TypeSafe AI 开发，9 月 15 日发布。创始人 Diogo Almeida 是位 90 后，曾供职 Google、OpenAI，参与过 ChatGPT 相关研发，自称是 OpenAI 内部少数公开”黑”ChatGPT 的人。2024 年离开 OpenAI 后，他带着一个问题创业：大模型聊天已经很强，为什么自动化软件还是不可靠、昂贵、缓慢？TypeSafe 团队隐身研发两年，一次性端出了这个产品。
TypeSafe 给 Jev 的定位叫 System One Model（系统一模型），名字取自卡尼曼《思考，快与慢》：系统一是人快速、直觉、低成本的那部分思维，负责瞬间判断；系统二负责缓慢审慎的深度推理。过去两年的大模型，几乎都在往系统二的方向卷——推理链更长、思考更深、价格更贵。而 Agent 真正跑起来之后，情况恰恰相反：密集发生的不是深度推理，而是大量琐碎判断。这张工单该分给哪个团队？这条命令能不能放行？页面上下一步点哪个按钮？任务到底完成没有？
过去这些判断只有两条路：要么交给大模型”顺便”做，生成一段文字再解析——又慢又贵；要么写死成规则——覆盖不了长尾。Jev 的做法是第三条路：只回答带预设选项的问题，单选、打分或者是非题，直接返回带概率的结构化结果。它也因此被网友戏称为”哑巴模型”——没有聊天框，不写代码，不做长篇推理。
开发者提供两样东西：state（当前状态的文本或 JSON）+ questions（预设好的类型化问题）。三类原语：Choice（在候选里单选，返回各选项概率和置信度）、Score（按自定义等级评分）、Noul（判断是非，返回 0~1 概率）。多个问题可以在一次请求里并行处理——同一条客服工单，一次就能同时判出”该交给哪个团队、是否需要当天处理、影响程度如何”，程序拿到的直接是可以接 if/else 的结构化结果。
一个流传很广的演示：处理同一项数据分类任务，28 秒内 Jev 完成了 428 条数据的打标，而另一款模型只处理到第 6 条。因为不需要逐字生成回答文本，一次前向计算就能出判断，快得完全不像个大模型任务。
二、为什么火：0.042 美元/百万 Token 的经济账
便宜，是 Jev 走红的直接原因。官方定价：每百万输入 Token 0.042 美元，输出 Token 免费。TypeSafe 列出的对比数据显示，Jev 的输入成本最低仅为竞品的 1/238。厂商口径下响应时间约 70~500ms。按每次约 1000 Token 输入粗算，一百万次请求的模型费用约 42 美元——这笔钱放在传统大模型 API 上，可能只够跑一万次。
市场反应有多直接？Vercel 披露，Jev 上线 24 小时内，其 AI Gateway 上 13% 的付费用户就用上了它，是此前任何模型发布的两倍以上；发布视频在社交平台拿下近 4000 万次播放。资本层面同样疯狂：据 10 月 8 日报道，TypeSafe AI 正在洽谈至少 10 亿美元新融资，已有投资人给出超过 100 亿美元的估值报价——而这家公司浮出水面到今天还不到一个月。领投方 DCVC 合伙人透露，得益于极低的计算成本，公司已经实现盈利。
为什么敢定这个价？TypeSafe 用经济学家杰文斯（Jevons）的名字给模型命名，暗指那条著名的悖论：一样东西越便宜，需求反而越大。当一次智能判断的成本降到足够低，智能调用就会从少数几个大模型请求，扩散到软件里的每一个路由、审核、评分和监控节点。名越大，野心越大。
三、两周从首发到群战：巨头全部下场
一个新品类被验证有利可图，剧本就注定了。Jev 号称隐身研究了两年，但跟随者的速度一个比一个快：
在开发者日上面向即时决策场景推出，基于自家小模型打造，几乎被外界视为对 Jev 的正面回应。社交平台上一个”Jev Is Dead”的帖子迅速流传——虽然 Jev 也因此获得了更大的曝光。
基于 Qwen 后训练的开源决策模型，并在 StartLux 发布第二天宣称自家 Clef 在同一套榜单上领先。做边缘计算的公司下场做判断层，逻辑很顺：判断本来就是离数据越近越好。
同样用 Qwen 做底座。加上 APUS 的同类方案也跑在 Qwen 上——这一轮决策模型热潮里，中国开源基座已经成了全球玩家共用的”躯干”，这个细节比任何榜单都值得国内开发者细品。
上海人工智能实验室开源 Intern-Decision，上海创业公司 StartLux（原点星辉）开源 StartLux-Decision——后者直接把”超过 Jev”写进了发布标题。
Jev 隐身研发两年 → OpenAI 用两周做出 Decisions API → StartLux 用 3 天 → Cloudflare 和亚马逊都在半个月内跟上。一个两周就能被复制的品类，本身很难成为壁垒——Jev 发布时就有人预判：它最终要和”前沿版本的自己”打价格战。
四、国产跟进①：上海 AI 实验室 Intern-Decision，多模态 + 快 2~3 倍
国内的跟进几乎是同步的。上海人工智能实验室开源了多模态决策模型 Intern-Decision，一口气给出 0.8B、2B、4B 三档规格。它最大的差异化是多模态：Jev 目前主要处理文本和结构化文本，图片、音频、视频尚未支持；而 Intern-Decision 能看懂图像和界面再做决策——这对浏览器自动化、GUI Agent 这类”看着屏幕操作”的场景是刚需。
性能上，团队给出的数据是推理速度比 Jev 快 2 到 3 倍；在后来被广泛引用的七套测试组合里，Intern-Decision-4B 平均准确率 90.02%，高于 Jev 1.13 的 88.74%。对想自己部署一套决策层的团队来说，这是一个可以直接拿来用的开源起点。
五、国产跟进②：陈大年 StartLux 开源五档，3 天完成研发
另一家更值得单独讲。9 月 30 日，成立不到五个月的上海公司 StartLux（原点星辉）发布开源决策模型 StartLux-Decision，一次性放出 0.8B、2B、4B、9B、27B 五档规格，每档都配齐原始权重和 Q8_0、Q4_K_M、BF16 三种 GGUF 版本，直接瞄准本地部署。这家公司的 CEO 来头不小：盛大网络联合创始人陈大年——1998 年写出上网计费软件 ENCounter，后来做了 WiFi 万能钥匙；CTO 是郭权玮博士。
3 天完成研发验证，靠的是他们的 Auto Research 研发管线——StartLux 推进的 RSI（递归式自我改进）体系的核心环节：让 AI 深度参与”假设—实验—验证—新假设”的循环，分析上一轮失败、构造数据、执行训练与评测，再提出下一轮改进；研究目标和关键取舍仍由人类研究员把关。换句话说，这次发布本身，就是”AI 研发 AI”的一次实践展示。
4B 版本压到 Q4 量化后约 2.71GB，与原始权重的决策一致率仍有 98.3%——意味着一台普通笔记本、甚至迷你主机就能跑一个决策层。在 StartLux 的本地智能架构里，27B 模型承担通用能力，决策模型负责高频判断，上层是 Agent 和记忆，底层是量化与推理系统。对本地场景来说，决策模型不是追热点，而是整个系统能不能跑得动的关键零件——个人电脑的显存、内存和功耗都有硬上限，把高频判断交给小模型，才是本地 AI 的省电之道。
顺带一提这家公司的前科：此前以 Qwen3.6-27B 为基座后训练的 StartLux-27B，在中国信通院 MCP 专项测试中拿到 39.25 分，超过了 284B 参数的 DeepSeek-V4-Flash——虽是专项测试，但执行力可见一斑。
六、成绩单对比：Decision Index 与七套测试
把目前公开的数据放在一张表里（注意：StartLux 的成绩是团队自测，对照 9 月 28 日公开榜单快照，看看就好，别当圣旨）：
| 对比项 | Jev 1.13 | StartLux-Decision-27B | Intern-Decision-4B |
|---|---|---|---|
| 发布方 | TypeSafe AI（美国） | StartLux 原点星辉（上海） | 上海 AI 实验室 |
| 开源 / 本地部署 | 闭源托管，仅云端 API | ✅ 开源五档 0.8B~27B | ✅ 开源三档 0.8B~4B |
| Decision Index 0.2.1 | 57.91 | 63.88（38 项中 31 项更高） | —（9B 版对照 58.63） |
| 七套测试平均准确率 | 88.74% | 91.82% | 90.02% |
| JevBench（231 题） | 答对 199 题 | 答对 208 题 | 答对 201 题 |
| 模态 | 文本 / 结构化文本 | 文本 | 多模态（图像、界面） |
| 响应速度 | 约 70~500ms（厂商口径） | 27B 单次 102.3ms（H200） | 官方称比 Jev 快 2~3 倍 |
| 许可 | 商用闭源 | 代码 Apache-2.0；权重 CC BY-NC 4.0（商用需授权） | 开源 |
延迟细节补充：在单卡 H200、BF16 精度、短请求条件下，StartLux-Decision 各档的单次响应为 0.8B 12.2ms、2B 15.5ms、9B 35.7ms、27B 102.3ms；4B 版本一次回答三个问题平均耗时 26ms。全部走本地 HTTP 并启用快速计算内核与 CUDA Graphs——判断层的延迟已经压到了”程序无感”的量级。
「第一」在这个赛道的保质期极短：StartLux 9 月 30 日发布，第二天 Cloudflare 就宣称 Clef 同榜单领先。StartLux 还展示过一组国际象棋对弈（36 局赢 35 局）——但下棋本来就不是决策模型的主战场，更像吸睛演示。各家自测口径不一，真正值得等的是第三方对不同语言、不同领域、不同风险条件的长期评测。
七、怎么用起来：四类落地场景与置信度门禁
对开发者来说，决策模型最有价值的不是跑分，而是往现有系统里塞的位置。四类典型场景：
选工具、定去向这类高频判断，通用大模型可能幻觉出不存在的 API 名，决策模型只会在给定列表里选。更实用的玩法是置信度门禁：置信度高的判断直接自动执行，中等的切给大模型细想，低的转人工介入；每个工具调用前还可以做一道 Allow / Deny / Ask 的安全审查。已经有开发者把 Jev 接进 Claude Code，专门清理无用上下文、判断任务是否完成。
每天百万级的工单、邮件、内容审核，几百毫秒内判团队和紧急程度；模糊评价拆成多个维度并发打分——简历筛选、合规审计都是典型场景。一条用户反馈要同时判业务类别、紧急程度、信息是否齐全？一次请求并行出结果，延迟从三次相加变成一次。
回合制或轻量实时操作里每秒多次的决策——有人拿 Jev 打马里奥，物理和渲染留给游戏引擎，判断交给决策模型。共同特征：输入可结构化、输出是有限动作集合。
智能家居里一句话同时判出操作对象、范围、动作——一句话里的多个意图不必拆成多次调用，靠的就是并行评分能力。
选型方法论可以简化成三句话：生成类任务，找大模型；判断类任务，先看调用频率——低频判断直接用大模型加 Structured Outputs，别多接一个依赖；高频判断再在”专用小模型”和”决策模型”之间选：标签固定、数据充足就训小模型，候选多变、需要语义理解就试决策模型。无论选哪条路，先拿自己的数据校准置信度，再决定哪些判断可以自动执行。
Jev 闭源、只能走云端，对数据敏感、有跨境调用顾虑的国内团队来说本身就是门槛。开源 + 可本地部署的 Intern-Decision 和 StartLux-Decision 正好补位：数据不出内网，判断层跑在自己的机器上。入口：GitHub 搜 StartLuxLabs/Startlux-Decision，或 Hugging Face 的 startlux-models 合集；上海 AI 实验室 Intern-Decision 同样可在 GitHub / HuggingFace 获取。注意 StartLux 权重是 CC BY-NC 4.0（非商用），商用需另行授权。
八、冷思考：两周就被复制的品类，护城河在哪
热闹之外，三盆冷水必须端稳。
第一盆：类型安全 ≠ 事实正确。如果程序只允许 billing、technical、account 三个值，Jev 确实不会返回第四个格式错误的值——但它完全可能在这三个里选错。”不会幻觉”只能理解为”不会生成选项之外的内容”，不等于”判断总是对的”。它也可能对含糊、被篡改或超出分布的数据，给出一个格式正确、置信度很高、但事实错误的判断——把错误更快、更便宜地送进生产系统。
第二盆：护城河存疑。一个两周内从首发走到群战的品类，先发优势极难维持。Jev 要和”前沿版本的自己”（OpenAI Decisions API）打价格战，开源阵营还有 Clef、Intern-Decision、StartLux-Decision 在卷分数。独立的决策模型厂商，最终得靠服务质量、概率校准工具和集成能力留住客户。
第三盆：别高估单点，低估分层。这轮热潮真正的行业信号不是”又出了个新模型”，而是「智能分层、各司其职」这条路被市场用真金白银投了票：大模型负责想，决策模型负责判断，小模型负责专项，各干各的。决策模型未来大概率像数据库、缓存、消息队列一样，成为软件系统里的标准组件——竞争点会从”谁分数高”转向”谁的接口标准被采纳、概率可比较、可审计”。
① 决策模型 = 只做判断、不生成文本的新品类：输入 state + 预设问题，返回 Choice / Score / Noul 三类结构化结果与概率，天然适合 Agent 的高频判断点。
② Jev（TypeSafe AI，9/15 发布）：输入 $0.042/百万 Token、输出免费，为竞品输入成本的 1/238；24 小时内 Vercel AI Gateway 13% 付费用户采用，估值报价已超 100 亿美元。
③ 两周群战：OpenAI Decisions API、Cloudflare Clef（Qwen 后训练）、亚马逊 Strands Decider（Qwen 底座）接连下场——中国开源基座成了全球决策模型的”躯干”。
④ 国产开源：上海 AI 实验室 Intern-Decision（0.8B/2B/4B，多模态，比 Jev 快 2~3 倍）；陈大年 StartLux 的 StartLux-Decision（0.8B~27B 五档 + GGUF，Auto Research 3 天研发，4B Q4 量化仅 2.71GB、一致率 98.3%）。
⑤ 数据（自测口径）：Decision Index 0.2.1 上 StartLux-27B 63.88 vs Jev 57.91；七套测试平均准确率 91.82% / 88.74%；0.8B 单次响应低至 12.2ms（H200）。
⑥ 冷思考：类型安全≠事实正确，两周被复制的品类难有护城河；真正的大趋势是”智能分层、各司其职”——大模型负责想，决策模型负责判断。
发表回复