一、内容管线里最贵的动作不是「写」，是「判」

先算一笔账。

一篇长文的生产流程里，真正需要大模型「写」的只有正文那一步。剩下的动作全是判断：这个选题和三个月前那篇撞不撞车、这段素材够不够硬、三个标题里哪个更合适、稿子能不能过质检门槛、这条线索值不值得跟。

判断和生成是两种活。判断要的是结论、强度、能不能过线；生成要的是一段读起来顺的话。过去我们把两种活塞进同一个模型、同一套提示词里，代价有三笔。

第一笔是钱和延迟。生成的 token 贵，判断只要一个词，却按生成的价格付。 第二笔是稳。同一段输入跑十遍，选出来的类别有时会变。带随机性的接口在流水线上就是故障源。 第三笔最贵：解析。让模型「只输出 JSON」，然后祈祷它真的只输出 JSON，每个写过 Agent 的人都被这件事坑过。多一个逗号、多一对反引号，管线就崩。

所以当我看到有一类模型专门只做判断、不生成任何文本时，第一反应是：这东西该进管线，不该进聊天框。

二、Jev 是一台不说话的判断机

TypeSafe 在 2026 年 9 月发布了 Jev，称它是第一个 System One 模型。它的定位很窄：你给它一段材料，加上提前定义好形状的问题，它返回类型化的答案、每个选项的概率，还有一个 confidence。

它不会写作文，也不跟你聊天。注册控制台的第一道门禁是一道选择题：「Jev 能聊天吗？」答「能」，弹窗会告诉你答错了。这个梗挺妙，因为大多数人对 AI 的默认期待就是聊天。

它的提问只有三种形状：

  • Choice：从你给定的选项里选一个，比如这条线索属于哪个渠道
  • Score：按你定义的档位打分，比如紧急性从「没压力」到「很急」
  • Noul：回答一个概率，比如这条消息表达砍价意图的概率是 0.98

一次请求可以混搭多个问题，每个问题独立返回概率分布。返回里的 confidence 是另一回事：概率说的是选项之间谁更可能，confidence 说的是这次判断本身有多确定。这两个数一起看，才够决定要不要放行。

价格是输入 0.042 美元/百万 token，输出免费。对，输出免费。这句话背后是它的商业逻辑：它真正在卖的是决策，字数只是副产品。9 月 20 日起注册也不用排队了，想试可以直接建号。

三、四组实测：延迟、稳定性、并发、成本

下面全是 2026 年 9 月 22 日我自己跑出来的数，跟官方标称值分开看。

第一组，延迟跟输入长度几乎无关。

输入长度 单次调用 p50
355 token 753 ms
562 token 706 ms
940 token 707 ms

从 355 到 940 token，延迟基本没动。判断型任务的开销在「读懂」，不在「写出来」，这个特征在数字上体现得很直接。

第二组，700 毫秒里有 500 毫秒是握手。

官方标称延迟 70 到 500 毫秒，我第一次测出来全是 700 毫秒以上，本来准备写一句「虚标」。拆开网络计时才发现：TCP 建连 230 到 280 毫秒，TLS 握手完成在 440 到 500 毫秒之间。也就是说从国内直连这台 API，光握手就花掉 500 毫秒。

换成同一条连接连续调用：

调用方式 观测延迟
每次新建连接（首次） 793 ms
复用连接 p50 292 ms

模型本身的推理时间大约 290 毫秒，跟官方标称对得上。所以生产环境头一件要做的事就是换连接池。提示词调得再漂亮，也补不回那 500 毫秒的握手。

第三组，标签稳定，概率会抖。

同一段材料重复调用 12 次：分类标签 12 次全落在同一个选项上，但连续量在小范围浮动，一个从 0.66 到 0.69，另一个从 0.98 到 1.00。

这组数字带来一条工程规矩：别拿极限阈值做业务判断。如果你写「概率大于 0.99 就自动执行」，同一条数据会一会儿过、一会儿不过。门槛设在 0.9 或者 0.7 这种位置，拿到的是稳定结论；设在边界上，拿到的是噪声。

第四组，并发吞吐够用。

20 条材料、每条 3 个问题，并行发出去：总共 0.87 秒跑完，约 23 QPS，比串行快 17 倍。拿几千条历史数据打标，是几分钟的事。

成本：562 token 输入做一次判断，花 0.0000236 美元，按 7.1 折算约 0.00017 元。一万次判断不到 1.8 元。我给 25 条真实台账做三项判定，一共消耗 12,492 token，花了 0.0005 美元，不到 4 厘人民币。

四、A/B：拿 25 条真实台账，它跟大模型打平

便宜不等于能用，还得看准不准。

我拿执行秘书台账里 25 条真实的口述待办做了对照实验，让 Jev 和 DeepSeek 分别判断三件事：分类（自己做、等对方、知会、风险）、责任方归属、原文有没有明确期限。

判定项 Jev DeepSeek
四分类 84% 88%
责任方归属 72% 88%
是否含期限 88% 88%

结论很清楚：它不比大模型更聪明。三项里两项打平，一项落后 16 个百分点。

这里要交代局限：样本只有 25 条，16 个百分点换算成绝对数就是 4 条，而台账标注本身就有噪声，这个差距说明不了谁更强，只说明它够用。

那它的价值在哪？在另外三处：一次调用同时问三个问题，返回的是结构化字段，代码直接分支，不用解析；标签稳定，不必为随机性兜底；输出免费，成本只剩输入那一段。

这个实验还教了我一课，比结论本身值钱。

第一轮我把台账字段当标准答案，跑出来责任方归属只有 24% 准确率，看着像模型废了。检查后发现是标签的问题：台账里责任方字段存的是笔名，跟真名对不上；期限字段大量留空，可原文里明明写着「周五前」和「9.10 启动」。换句话说，模型的答案是对的，我的标准答案错了。

拿脏标签评模型，结论会反着来。这条教训对做内容的人同样成立：想用 AI 做判断，先把判定标准写清楚，否则你测出来的是自己的手写习惯，不是模型的水平。

五、判断节点四问

我把这次实测沉淀成四个问题，用来筛自己管线里的节点。任意一个节点，四问过一遍，就知道该不该换。

第一问：你要的是一个可判定的结果，还是一段给人看的话？ 要语气、要故事、要给人读的，继续用大模型。只要是「选一个」「打个分」「是或否」，就属于判断节点。

第二问：标准能不能写成清楚的档位？ 「这段素材够不够硬」这种问法没法用，要拆成「有没有具体数字」「有没有时间点」「有没有可核实的主体」。定义越具体，判断越稳；定义模糊时，模型返回的 confidence 会掉下来，这是它给你的信号。

第三问：判错一次的代价多大？ 代价低，比如给线索打标签，直接批量跑。代价中等，卡 confidence 门槛，低于阈值的转人工。代价高，比如结算、合规，别让它单独拍板，让它做初筛，人做终审。

第四问：这个节点一天要跑多少次？ 一天几次的判断，顺手问一句大模型就行，没必要为它搭接口。一天几百上千次的，值得固化成原语：写一次 criteria，反复调用，单次成本低到可以忽略。

也有些活别找它：要给理由的解释题、要多步推理的规划题、依赖专业领域知识的判断，以及对延迟极端敏感的同步场景。

六、这跟 GEO 是同一件事

我在上一篇写知识库时提过一个词，内容复利引擎。知识库是一次结构化、被 AI 反复引用的复利资产。

判断节点是同一个逻辑的另一半：一次定义标准，反复调用结论。过去每判一次都要重新生成一遍思路，像每次点火都重新造一台发动机。

更值得说的是它和 GEO 的关系。GEO 做的是让机器读懂你的内容，判断节点做的是让机器读懂你的业务规则，底层动作是同一个：把人话翻译成机器能直接消费的结构。你在页面上加结构化数据，是给 AI 搜索递一份它好读的简历；你把判定标准写成 criteria，是给代码递一份它好执行的分工表。小红书那套用结构化 UGC 去喂养 AI 搜索的打法，也是同一个路子。

我们内部的用法很朴素：探针抓来的线索先过一遍判断节点，扫出值得跟的；内容发布前用打分节点扫一遍，把明显不达标的挡在门外；台账入库前判一次类别，省掉人工翻记录。都不复杂，唯一的变化是这些判断不再需要一段文字做中介。

光尘阁观点

评价一个 AI 环节做完没有，我的标准是：如果它还要人读一遍输出才能往下走，这个环节就没做完。

判断和生成会继续分开。以后搭 AI 系统，先分清哪些活是说给人听的，哪些活是给代码判的。后一类活，不该交给会聊天的模型去干。

最后给一条自查标准：把你管线里所有的模型调用列出来，标一下每次调用的输出形态。如果一半以上的调用其实只要一个标签、一个分数或者一个概率，那你有一半的算力和延迟花在了不需要的地方。

让每个品牌，在AI搜索里有一席之地。

光尘阁 · 2026年9月