Jev 的「百億補貼」迷局：既然「極省」為何還要狂送 1.2 億 Token？

本文作者： 鄭佳美 2026-09-23 12:10 導語：先壓低判斷成本，再用 Calibration 提升可靠性，最終借 Agent 放大調用量。先壓低判斷成本，再用 Calibration 提升可靠性，最終借 Agent 放大調用量。作者丨鄭佳美 編輯丨岑 峰 昨天，大家還在驚歎 Jev 的速度和低成本，今天它又做了一件更誇張的事：給申請到的用戶直接發放 1.2 億 Token 額度。消息出來以後，大家沒有先覺得賺到了，更多冒出的念頭反而是：這不對勁。因為 Jev 本身就極其省 Token。

它主要處理分類、路由、評分和概率判斷，不需要像通用大模型那樣生成大段內容，一條短文本輸入可能只有幾十個 Token。按照這種消耗方式，1.2 億 Token 足夠普通應用跑幾百萬次判斷，在輸入足夠短的情況下，調用規模甚至還能繼續往上走。問題也就來了：一個已經靠低價獲得大量討論的模型，為什麼還要繼續往外送這麼大的額度？答案可能藏在 Jev 想做的那門生意裡。它要賣的從來都不是一段生成內容，而是一次判斷，而 1.2 億 Token 正在把這種判斷推向一個過去很少出現的狀態——便宜到開發者幾乎不用考慮次數。011.2 億 Token 到底意味著什麼？

從技術上看，這相當於給一個應用塞進了數百萬次低成本決策機會。傳統大模型通常圍繞一項完整任務工作，讀入上下文、完成推理、生成結果，一次調用本身就比較重。Jev 的任務顆粒度小得多，它可以只回答一個問題：這段內容屬於哪一類，這幾個工具該選哪一個，這個結果應該保留還是丟棄，當前任務應該繼續還是結束。這意味著 Jev 的 Token 消耗方式天然適合高頻調用。一個 Agent 跑完整條任務鏈，可以在用戶意圖識別、工具選擇、結果篩選、異常處理和狀態檢查等多個位置調用它，而每一次消耗都很小，因此 1.2 億 Token 放到這裡，代表的已經不是體驗幾個 Demo，而是一段很長的真實運行週期。

商業上看，這種贈送也很反常。即便 Jev 自己的單價已經非常低，大規模發放 1.2 億 Token 依然意味著平臺主動承擔大量免費推理；如果按照市面上的通用小模型價格去換算，同樣規模的 Token 也對應著一筆不低的使用價值。所以這裡真正值得算的不是單個用戶拿到了多少美元，而是 Jev 一次性送出了多少次判斷機會。一個開發者手裡只有少量額度時，會優先挑關鍵場景測試；當額度大到短時間很難用完，測試範圍會自然擴大，很多過去根本沒有考慮過用模型處理的節點，也會被拿出來試一遍。這就進入了 Jev 後面真正想做的事情。02為什麼 Jev 要反常地燒錢？

Agent 運行過程中存在兩類工作，一類需要複雜規劃和長推理，另一類只是大量連續的小決策。前者適合交給能力更強的大模型，後者更像一種持續運行的快思考系統，而 Jev 押的正是這一層。一個 Agent 接到任務以後，要不斷判斷下一步該做什麼：該用搜索還是代碼工具，返回結果是否可用，失敗之後該重試還是換路徑，什麼時候需要升級給更強模型，什麼時候任務可以結束。這些節點單獨看都不復雜，卻會密集地出現在執行鏈裡。過去，這部分工作大量依賴 if else、關鍵詞、閾值和狀態機，因為調用一次大模型處理這種小問題並不划算。Jev 把成本和延遲壓下來以後，就有機會進入這些原來屬於規則代碼的位置。

這也是它為什麼需要如此誇張的贈送額度。開發者只有經過大量真實嘗試，才會慢慢確定哪些節點適合交給 Jev。一旦分類、路由、結果篩選和狀態判斷圍繞 Jev 搭好之後，後續工作流、回退策略和閾值也會跟著圍繞它建立起來。Jev 想要的，就是這種默認位置。未來開發者搭 Agent 時，如果遇到複雜推理想到大型模型，遇到快速判斷自然想到 Jev，那麼 System 1 這一層基本就被它卡住了。(公眾號：)除此之外，Jev 另一個關鍵點在 Calibration，也就是概率校準。Agent 需要的不只是一個選項，還要知道這個選項有多大把握，因為概率會直接影響下一步動作。

一個判斷的置信程度很高，系統可以直接執行；幾個選項非常接近，就可以調用更強模型繼續處理；如果某類任務長期表現不穩定，還可以提前設置回退機制。於是 Calibration 實際上決定了 Jev 能不能承擔更深的系統職責。而概率校準又非常依賴真實世界裡的反饋。模型給出 80% 並沒有天然意義，需要不斷對照後續結果，看看類似判斷長期來看究竟有多少成功。Agent 恰好會產生大量這種結構化反饋，因為每一次路由、篩選和狀態判斷之後，通常都有一個實際結果可以驗證。這裡當然需要以 Jev 的實際數據政策為準，不能直接假定用戶請求會全部進入訓練。

但從模型迭代角度看，大規模真實使用會暴露大量實驗數據裡很難提前覆蓋的邊緣情況，包括哪些任務容易過度自信，哪些場景頻繁出現低置信，哪些問題應該儘早交給更強模型。所以 Jev 需要的並不只是更多用戶，它還需要更多真實任務，把 Calibration 放進複雜環境裡反覆檢驗。如果這一層越做越穩，它和普通分類模型之間的差距也會逐漸拉開。到這一步，Jev 和傑文斯悖論之間的關係就能接上了。傑文斯悖論描述的是一種很反直覺的現象：當一種資源的使用效率越來越高、單位成本越來越低，人們往往會開發出更多用途，最後讓總消耗繼續擴大。而 Jev 正在主動創造這樣的條件。

過去，一個開發者可能只在任務開始時調用一次模型判斷用戶意圖，因為後面的很多節點用規則也能解決。但當手裡有 1.2 億 Token 以後，他就有可能繼續試更多地方，搜索結果逐條打分，工具調用之前做路由，執行失敗後判斷原因，任務推進過程中反覆檢查狀態。這些用法很多並不是 Jev 替代了原來的模型調用，而是以前根本不存在的 AI 調用。這一點非常關鍵，因為它決定了 Jev 的低價能不能形成一門大生意。單次判斷價格越來越低，只要整個軟件系統裡的判斷次數增長得足夠快，總需求依然可以迅速擴大。所以 Jev 送 1.

2 億 Token，看起來是在讓開發者佔便宜，實際上更像是在做一場行為實驗：當判斷便宜到幾乎不用省以後，開發者究竟能發明出多少新的使用場景？這才是傑文斯悖論在 Jev 身上真正有意思的地方。03Jev 想搶的，是判斷市場過去幾年，大模型行業的主線一直圍繞生成展開，模型越來越大，推理越來越長，大家習慣把 AI 的價值和生成能力綁在一起。Jev 的出現提供了另一種切法：很多軟件場景根本不需要模型生成一大段內容，它們只需要一個足夠快、足夠便宜、概率足夠可靠的裁判。

在 Agent 裡，大型模型負責提出方案、規劃任務和完成複雜推理，Jev 則負責不斷判斷方案該不該執行、結果要不要留下、任務下一步該往哪裡走。前者決定 Agent 能處理多複雜的問題，後者決定它能不能以足夠低的成本持續運行。這樣再回頭看 1.2 億 Token，這個動作就很好理解了。System 1 決定 Jev 要搶什麼位置，Calibration 決定它能不能長期守住這個位置，傑文斯悖論決定這個市場能不能隨著價格下降繼續擴大，而 1.2 億 Token 則把這三件事情同時往前推了一步。AI 上半場的主線是大力出奇跡，通過更多算力、更大模型和更長推理不斷抬高能力上限。

但 Agent 時代開始出現另一種競爭方式，模型公司會想辦法讓自己的能力進入更多調用節點，讓開發者逐漸形成固定的使用習慣。這就是讓你上癮背後的商業含義。Jev 想做的事情其實也很直接：先把判斷做得足夠便宜，讓開發者放心去用，再靠 Calibration 把判斷做得越來越可靠，最後藉助 Agent 把判斷次數不斷放大。如果這套邏輯跑通了，那 Jev 搶到的就不再只是一個模型品類，它拿到的則會是 Agent 每次準備行動之前的那一下判斷。上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。

原創文章，未經授權禁止轉載。詳情見轉載須知。0人收藏 分享： 相關文章 AI 大模型 人工智能 Yann LeCun 萬字演講：「預測像素」是偽命題，JEPA ...樂享以太大模型，讓中國具身智能坐上定義席 做每個人的專屬AI助理，千問加速打造Personal Agent ...做每個人的專屬AI助理，千問加速打造Personal Agent ...鄭佳美 編輯 發私信 當月熱門文章 DeepSeek V4 多模態開源，我們把它的視覺鏈路拆了一遍 拆解 Claude 5.

1：38 小時不睡覺的背後，Anthropic 正在終結「模型論」 GPT、Claude 遭遇竊聽門：換個模型就能讓思維鏈不再隱身？Jalapeño 跑分炸場，GPU 推理路線開始分裂？Claude Code 額度回落：Agent 正在製造新的「祖傳代碼屎山」？最新文章 深度拆解 MiMo-V2.6：1M 上下文只是表面，2.5 萬條軌跡才是底牌 國產大模型企業半月「連籤三單」，中國 AI 出海正在加速 OpenAI：為了不被殺死，Agent 竟學會了靠上下文「轉世重生」 英偉達開源 IMO 金牌配方：不僅是「人海戰術」，1.5TB 顯存做實 AI「 推恩令」？

英偉達開源 IMO 金牌配方：不僅是「人海戰術」，1.5TB 顯存做實 AI「 推恩令」？橫掃四榜，DM0.5 憑什麼面面俱到？熱門搜索 收購 新能源汽車 數字化 設計 surface 移動遊戲 GoPro RIM 數字貨幣 華碩 gmail