Jev 的「百亿补贴」迷局：既然「极省」为何还要狂送 1.2 亿 Token？

2w ago

·~3 min·9/23/2026·zh·0

Quick Answer

Jev's recent distribution of 120 million tokens raises questions about its low-cost model, as it aims to transform decision-making in AI applications by encouraging extensive testing and usage.

Quick Take

This strategy could redefine the market for AI judgments, moving away from traditional generative models.

Key Points

Jev provides 120 million tokens, enabling millions of low-cost decisions for developers.
The model focuses on small, frequent decisions rather than large content generation.
Calibration of probabilities is crucial for Jev's reliability in decision-making.
Jev's strategy aims to expand the market by lowering decision costs significantly.
The approach challenges traditional AI by emphasizing judgment over generation.

📖 Reader Mode

~3 min read

先压低判断成本，再用 Calibration 提升可靠性，最终借 Agent 放大调用量。

作者丨郑佳美

编辑丨岑峰

昨天，大家还在惊叹 Jev 的速度和低成本，今天它又做了一件更夸张的事：给申请到的用户直接发放 1.2 亿 Token 额度。

消息出来以后，大家没有先觉得赚到了，更多冒出的念头反而是：这不对劲。

因为 Jev 本身就极其省 Token。它主要处理分类、路由、评分和概率判断，不需要像通用大模型那样生成大段内容，一条短文本输入可能只有几十个 Token。按照这种消耗方式，1.2 亿 Token 足够普通应用跑几百万次判断，在输入足够短的情况下，调用规模甚至还能继续往上走。

问题也就来了：一个已经靠低价获得大量讨论的模型，为什么还要继续往外送这么大的额度？

答案可能藏在 Jev 想做的那门生意里。它要卖的从来都不是一段生成内容，而是一次判断，而 1.2 亿 Token 正在把这种判断推向一个过去很少出现的状态——便宜到开发者几乎不用考虑次数。

1.2 亿 Token 到底意味着什么？

从技术上看，这相当于给一个应用塞进了数百万次低成本决策机会。雷峰网

传统大模型通常围绕一项完整任务工作，读入上下文、完成推理、生成结果，一次调用本身就比较重。Jev 的任务颗粒度小得多，它可以只回答一个问题：这段内容属于哪一类，这几个工具该选哪一个，这个结果应该保留还是丢弃，当前任务应该继续还是结束。

这意味着 Jev 的 Token 消耗方式天然适合高频调用。一个 Agent 跑完整条任务链，可以在用户意图识别、工具选择、结果筛选、异常处理和状态检查等多个位置调用它，而每一次消耗都很小，因此 1.2 亿 Token 放到这里，代表的已经不是体验几个 Demo，而是一段很长的真实运行周期。

商业上看，这种赠送也很反常。即便 Jev 自己的单价已经非常低，大规模发放 1.2 亿 Token 依然意味着平台主动承担大量免费推理；如果按照市面上的通用小模型价格去换算，同样规模的 Token 也对应着一笔不低的使用价值。

所以这里真正值得算的不是单个用户拿到了多少美元，而是 Jev 一次性送出了多少次判断机会。一个开发者手里只有少量额度时，会优先挑关键场景测试；当额度大到短时间很难用完，测试范围会自然扩大，很多过去根本没有考虑过用模型处理的节点，也会被拿出来试一遍。

这就进入了 Jev 后面真正想做的事情。

为什么 Jev 要反常地烧钱？

Agent 运行过程中存在两类工作，一类需要复杂规划和长推理，另一类只是大量连续的小决策。前者适合交给能力更强的大模型，后者更像一种持续运行的快思考系统，而 Jev 押的正是这一层。

一个 Agent 接到任务以后，要不断判断下一步该做什么：该用搜索还是代码工具，返回结果是否可用，失败之后该重试还是换路径，什么时候需要升级给更强模型，什么时候任务可以结束。这些节点单独看都不复杂，却会密集地出现在执行链里。

过去，这部分工作大量依赖 if else、关键词、阈值和状态机，因为调用一次大模型处理这种小问题并不划算。Jev 把成本和延迟压下来以后，就有机会进入这些原来属于规则代码的位置。

这也是它为什么需要如此夸张的赠送额度。开发者只有经过大量真实尝试，才会慢慢确定哪些节点适合交给 Jev。一旦分类、路由、结果筛选和状态判断围绕 Jev 搭好之后，后续工作流、回退策略和阈值也会跟着围绕它建立起来。

Jev 想要的，就是这种默认位置。

未来开发者搭 Agent 时，如果遇到复杂推理想到大型模型，遇到快速判断自然想到 Jev，那么 System 1 这一层基本就被它卡住了。雷峰网(公众号：雷峰网)

除此之外，Jev 另一个关键点在 Calibration，也就是概率校准。

Agent 需要的不只是一个选项，还要知道这个选项有多大把握，因为概率会直接影响下一步动作。一个判断的置信程度很高，系统可以直接执行；几个选项非常接近，就可以调用更强模型继续处理；如果某类任务长期表现不稳定，还可以提前设置回退机制。

于是 Calibration 实际上决定了 Jev 能不能承担更深的系统职责。

而概率校准又非常依赖真实世界里的反馈。模型给出 80% 并没有天然意义，需要不断对照后续结果，看看类似判断长期来看究竟有多少成功。Agent 恰好会产生大量这种结构化反馈，因为每一次路由、筛选和状态判断之后，通常都有一个实际结果可以验证。

这里当然需要以 Jev 的实际数据政策为准，不能直接假定用户请求会全部进入训练。但从模型迭代角度看，大规模真实使用会暴露大量实验数据里很难提前覆盖的边缘情况，包括哪些任务容易过度自信，哪些场景频繁出现低置信，哪些问题应该尽早交给更强模型。

所以 Jev 需要的并不只是更多用户，它还需要更多真实任务，把 Calibration 放进复杂环境里反复检验。如果这一层越做越稳，它和普通分类模型之间的差距也会逐渐拉开。

到这一步，Jev 和杰文斯悖论之间的关系就能接上了。

杰文斯悖论描述的是一种很反直觉的现象：当一种资源的使用效率越来越高、单位成本越来越低，人们往往会开发出更多用途，最后让总消耗继续扩大。而 Jev 正在主动创造这样的条件。过去，一个开发者可能只在任务开始时调用一次模型判断用户意图，因为后面的很多节点用规则也能解决。

但当手里有 1.2 亿 Token 以后，他就有可能继续试更多地方，搜索结果逐条打分，工具调用之前做路由，执行失败后判断原因，任务推进过程中反复检查状态。这些用法很多并不是 Jev 替代了原来的模型调用，而是以前根本不存在的 AI 调用。

这一点非常关键，因为它决定了 Jev 的低价能不能形成一门大生意。单次判断价格越来越低，只要整个软件系统里的判断次数增长得足够快，总需求依然可以迅速扩大。

所以 Jev 送 1.2 亿 Token，看起来是在让开发者占便宜，实际上更像是在做一场行为实验：当判断便宜到几乎不用省以后，开发者究竟能发明出多少新的使用场景？

这才是杰文斯悖论在 Jev 身上真正有意思的地方。

Jev 想抢的，是判断市场

过去几年，大模型行业的主线一直围绕生成展开，模型越来越大，推理越来越长，大家习惯把 AI 的价值和生成能力绑在一起。

Jev 的出现提供了另一种切法：很多软件场景根本不需要模型生成一大段内容，它们只需要一个足够快、足够便宜、概率足够可靠的裁判。

在 Agent 里，大型模型负责提出方案、规划任务和完成复杂推理，Jev 则负责不断判断方案该不该执行、结果要不要留下、任务下一步该往哪里走。前者决定 Agent 能处理多复杂的问题，后者决定它能不能以足够低的成本持续运行。

这样再回头看 1.2 亿 Token，这个动作就很好理解了。

System 1 决定 Jev 要抢什么位置，Calibration 决定它能不能长期守住这个位置，杰文斯悖论决定这个市场能不能随着价格下降继续扩大，而 1.2 亿 Token 则把这三件事情同时往前推了一步。

AI 上半场的主线是大力出奇迹，通过更多算力、更大模型和更长推理不断抬高能力上限。但 Agent 时代开始出现另一种竞争方式，模型公司会想办法让自己的能力进入更多调用节点，让开发者逐渐形成固定的使用习惯。

这就是让你上瘾背后的商业含义。Jev 想做的事情其实也很直接：先把判断做得足够便宜，让开发者放心去用，再靠 Calibration 把判断做得越来越可靠，最后借助 Agent 把判断次数不断放大。

如果这套逻辑跑通了，那 Jev 抢到的就不再只是一个模型品类，它拿到的则会是 Agent 每次准备行动之前的那一下判断。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。

— Originally published at leiphone.com

View original source on leiphone.com

Want this in your inbox every morning?

Daily brief at your local 8am — bilingual EN/中文, free.

Subscribe — it's free

More from 雷峰网 AI

See more →

刚刚，GPT 5.6 发布会上，OpenAI 暴露了哪些 Agent 技术路线？

雷峰网 AI

7/14/2026

FeaturedOriginal

刚刚，GPT 5.6 发布会上，OpenAI 暴露了哪些 Agent 技术路线？

AI Summary

OpenAI's GPT 5.6 integrates ChatGPT and Codex, introducing a for complex task execution, with models Soul, Terra, and Luna for efficient workflow management. The release emphasizes task orchestration, contextual understanding, and robust security measures for enterprise applications.

#Agent #AI Coding #Security #Enterprise AI