Jevons is now a product name

副标题：Jev、193.6 倍，和每一个被选择过的测量窗口

2026 年 9 月 15 日，一家叫 TypeSafe AI 的公司发布了 Jev。命名者是诚实的——Jev 取自杰文斯悖论（Jevons paradox）：一种资源越便宜、越高效，总消耗量反而越大。一百五十年前，这是经济学对效率崇拜的警告；9 月 15 日之后，它成了一个产品名。

警告变成卖点，这件事本身就值得写一篇。但我感兴趣的角度不是"这个模型行不行"——过去两周，夸它和骂它的人都足够多了。我感兴趣的是：Jev 把"测量窗口"这门测量学里最古老的手艺，做成了一门定价艺术。而凡是窗口，就有窗口外的账单。

一、输出免费：一个被选择过的窗口

先说基本盘。Jev 是"System One 模型"：非结构化状态进去，类型化的概率决策出来。三类问题原语——判断一个陈述成立的概率、从最多 255 个选项里选一个、按标准打分。不生成文本，所以结构上不可能出现类型错误，也不会有幻觉。价格是每百万输入 token 0.042 美元，输出免费。宣称延迟 70–500 毫秒。

"输出免费"这五个字，值得停下来看。

它不是物理事实，是定价政策——OpenChamber 的分析里就是这么归类的：a pricing policy, not a measured result。物理上，输出端的计算当然发生了；商业上，它被划出了计费窗口。

我自己的行业里有个对应物。测 GPU 能耗时，NVML 读的是 GPU package power——芯片封装这一侧的功耗。它不包含 CPU、内存、电源转换损耗、风扇。所以每当有人拿我的数去算机房电费，我都得说：这是下限估计，整机还差 CPU、内存、电源转换和散热，我不提供换算系数——那是另一种没有出处的估算——请用墙插功率计实测。窗口选择本身没有错——错的是不声明窗口。

"输出免费"是同一门手艺的定价版本。窗口砍在输入端，于是：

• 速度宣称 193.6×：分母是大模型逐 token 生成完整回答的延迟，分子是 Jev 一次并行决策的延迟；
• 成本宣称 444.6×：分母是大模型按输入加输出计费的总账单，分子只数输入端。

更有意思的是，TypeSafe 自己在同一张首页上放了一个 worked example：TypeSafe 一侧 $0.013880 / 8.566 秒。亲手算一下，是约 75× 的速度、171× 的成本。同一个页面，两套数字，相差 2.6 倍，差额藏在一条指向"System One tasks"的脚注里。

要给 TypeSafe 记一分的是，他们在发布博客里主动列了不利于自己的偏差，原话包括："我们的数字不是实证的"；无法证明定价没有补贴；对照组取的是 GPT-6 Astra 和 Fable 5.1 的平均值；评测一般跑在他们西海岸的笔记本上。一家公司主动写清自己的数字经不起推敲——用我的行话说，相当于在数据集卡片上写明"n=1，CV 未知，建议谨慎采纳"。可信度反而上去了。

但承认偏差不等于修正偏差。首页挂着的，还是 193.6×。

二、从 193.6× 到 7×：一条衰减曲线的四个原因

发布三天后，OpenChamber 交出了一份 twitter 考古：9 月 15 到 18 日，收集 26,896 条推文，筛出 12,759 条有效内容，把"作者自己测出来的数"和"作者转述厂商的数"分开统计：

从 193.6× 到 7×，不是谁在撒谎，是四个原因在逐级起作用：

1. 基线的选择。 对照组是 GPT-6 Astra 和 Fable 5.1 的平均值——TypeSafe 自己承认的选法。分母不是"最会做分类任务的模型"，是"最贵的模型做它最不擅长的事"。拿大学教授拧螺丝的工资单，来论证三轮车便宜。
2. 任务的不对称。 193.6× 的分子是 Jev 做封闭集选择，分母是大模型做开放生成——两类不同的工作量，靠"System One tasks"的脚注缝合。脚注合法，缝合处漏水。
3. 传播的回声。 OpenChamber 单独统计了被转发重复的数字：重复传播的加速比中位数恰好是 193×，和首页数字几乎一致。215 个一手测量的 7×，在声量上输给了转发的 193×。重复不是独立证据，但重复塑造认知——这在传播学里是老结论，在 AI 营销里是新鲜杠杆。
4. 部署的物理。 独立开发者 Daniele Teti 用 105 封真实客户邮件（61 封难例）做了自己的基准：Jev 比同等精度的最便宜 LLM 快 4.1 到 8.5 倍；25 个决策、1000 封邮件的成本，Jev 0.08，GPT-5.6 Terra 2.17，Gemini 3.1 Pro $11.82。这些是诚实的、可复现的、仍然值得部署的倍数。

所以 7×/30× 不是谎言的破产，是 193.6× 落到地面上的形状。我在能耗数据集里见过太多次同款剧情：纸面上的 FLOPs 节省是一回事，任务级的实测能耗是另一回事，两者之间永远隔着基线选择、工作负载和测量口径。

三、覆盖矩阵：每一格宣称，都要标它住在哪个格子里

我维护一个 GPU 推理能耗的公开数据集。它的覆盖矩阵是 GPU 型号 × 量化精度 × 模型尺寸，56 个格子里有 30 个是空的。T4 上没有 INT8 曲线——所以每当有人问我"T4 上 INT8 省不省电"，我只能说：没有数据，无法给出结论，这里是补测方案。空格是数据集的纪律，不是耻辱。

Jev 的宣称数字同样住在一个稀疏矩阵里，只是没人把矩阵画出来。行是任务域（垃圾邮件分类、意图路由、风险判断、工具调用审查……），列是基线、测量口径、重复次数、方差。193.6× 住在一个格子里，7× 住在另一个格子里——它们不能互相反驳，因为不在同一个格子里。而拿任何一格外推到整张矩阵，是比窗口选择更大的错误。用我的行话说：把 extrapolated 说成 measured，是数据溯源的头号重罪。

发布后一周，矩阵开始被社区一格一格地独立填充：

• JevBench（社区四轴基准）：按智能、校准、速度、成本四轴打分，几何平均。Jev 1.13.0 得 74.4；最好的开源复刻 SemIf（前 OpenJev，Qwen3.5-4B）得 73.1，只差 1.3 分，价格约为 Jev 的一半。基准作者自己注明：约 1 分的差距可能在噪声范围内。开源复刻在发布几天内成批出现；架构没有护城河，校准和分发才是——而校准恰恰是最难在没有大规模部署数据的情况下评估的东西。
• Teti 的 Delphi 基准：3 个决策、10 个决策时，没有任何 LLM 超过 Jev；25 个决策时只有 Gemini 3.1 Pro 好出 2.3 个点。意大利语和英语的质量差可以忽略。
• webofmike 的 60 例基准：agent 工具调用风险分类，准确率 91.7%，校准误差 ECE 0.0712——同时作者自己标注："n=60 太小，两次运行之间有 91.7% vs 93.3% 的波动，请不要把单次 60 例的准确率当作结论引用。"

注意最后这位作者的手艺：60 个用例，混合清晰、模糊、对抗三类；逐调用的原始结果公开；标签有异议可以改了重跑；发文前重新执行了一遍分析脚本核对数字。这是 n=60 的诚实用法。矩阵就是这样填出来的——不是靠一个 193.6× 的首页，是靠几百个标好了边界条件的小格子。

四、50 美分与 17.3 微美元：便宜的另一面

9 月 24 日，Check Point 发了那篇被广泛引用的测试：《Jev Is Not a Language Model, but It Breaks Like One》。尽调助手场景，一份处处红旗的高风险公司报告，攻击者只控制文档中的一个小节，目标是把"高风险/不投资"改成"低风险/建议投资"。

结果：9 种攻击者 × 难度组合，全部至少攻破一次；最强攻击者 25/27 次成功，平均第 4 轮得手，每次成功约 50 美分。而 Jev 的单次调用成本，按 webofmike 的口径，约 17.3 微美元。

防御侧的发现更值得抄下来：结构化输入没有用；把文档标成"不可信"没有用（16/27，和不标一样）；显式的反注入指令从 18 次破防降到 17 次——噪声。唯一有效的防御是推理档，把单次攻破成本从 0.56 美元提高到 4.39 美元，八倍改善——但对比模型才有推理档，Jev 没有。为什么没有？因为推理会破坏那个 70–500 毫秒的延迟窗口。

窗口选择第一次显示了它的价格。

南洋理工大学 9 月 23 日挂出的论文（arXiv:2609.28613，54,060 次预注册调用）给了更细的结论：类型化输出确实守住了它承诺的东西——Jev 从不返回未声明的动作，攻击者目标选项被选中的比例只有 1.8%——但注入文本能可靠地把概率质量推向攻击者那一边。Check Point 的总结成了那句该被记住的话：输出格式约束的是模型能说什么，不是它能被说服信什么。模型没有出错，它"在假证据上正确地完成了它的工作"。

现在把 Jevons 悖论放回来。它说：效率提升 → 单价下降 → 调用量上升得更快 → 总消耗上升。Jev 的定价就是这条曲线的工程化：输入便宜两个数量级、输出免费、延迟中位数 76 毫秒——每一个参数都在降低一次调用的心理门槛。Vercel 报告 24 小时内 13% 的付费团队接入（AI Gateway 历史上最快，是 GPT-5.6 的两倍）；OpenRouter 请求量在发布后数日明显攀升；Vercel 的工程师已经把内部安全分类器换成了 Jev。

采用曲线就是消耗曲线的前奏。DCVC 的合伙人说 TypeSafe 已经盈利——如果悖论成立，接下来供应商的营收曲线和客户的调用曲线会一起变陡，而客户的总账单不一定会降。便宜从来不等于少花钱；这句话不是我说的，是印在产品名上的。

五、给 API 提供商的四条测量协议

说了这么多窗口，别误会成唱衰。7×/30× 是真的；校准是真的——置信度 0.95 以上时 96.5% 的正确率、"从不带着 1.000 的置信度犯错"在独立复现里稳定成立；"一次函数调用替代一个团队半年的工程"也是真的。这些是 measured 的部分，值得尊敬。

作为一个天天跟数据溯源打交道的人，我想要的是四样东西——也是我对自己的数据集的同样要求：

1. 宣称数字带上测量协议。 基线是谁、任务是什么、重复几次、方差多少。TypeSafe 自己都写了"我们的数字不是实证的"——那就补上能把它变成实证的东西。
2. 定价窗口写进文档。 "输出免费"是定价政策，就标注成定价政策；444.6× 不要背上物理事实的名声。
3. 覆盖矩阵公开。 哪些任务域测过、哪些没测过，画出来。我的矩阵 56 格里 30 格是空的，照样挂在证据页上——空格是可信度的一部分，不是敌人。
4. 让独立测量容易做。 JevBench 发布后几天就出了，社区做这件事的成本以美元计。想做这件事的人，别拦着，该谢谢他们。

尾声

Jevons 悖论真正的教训从来不是"便宜没用"，而是"便宜改变行为"——省下的单价，会加倍花在调用量上。把它做成产品名是聪明的营销，也是诚实的预告。

而测量者的工作，是记住每一个"免费"背后都有一个被选择过的窗口：输入端的计费窗口，System One 的任务窗口，70–500 毫秒的延迟窗口。窗口外的账单总会寄到——寄给按 token 付费的调用方，寄给把分类器换成 Jev 的平台，也可能，寄给下一个手里攥着 50 美分的攻击者。

数据来源（建议随正文发布）

1. OpenChamber，《Jev by TypeSafe AI: What 12,759 tweets tell us》，2026-09（收集 26,896 条推文，12,759 条有效；中位数 7× / 30× / 76ms，样本量 215 / 180 / 333）
2. TypeSafe AI 官网首页与发布博客（193.6× / 444.6× 宣称、worked example、自认偏差四条）
3. JevBench 社区四轴基准，fstandhartinger/jevbench，v1.3.0（Jev 74.4 / SemIf 73.1；GPT-5.6 Luna 智能分 95.3 居首但总排名受成本拖累）
4. Daniele Teti，《Jev, the AI that decides without writing》，danieleteti.it（105 封客户邮件基准；4.1–8.5×；千封邮件成本 Jev 0.08 / GPT-5.6 Terra 2.17 / Gemini 3.1 Pro $11.82）
5. Web of Mike，《I Benchmarked Jev on Agent Tool-Call Risk》，webofmike.com（n=60，91.7%，ECE 0.0712，作者自注样本量局限）
6. Check Point Research，《Jev Is Not a Language Model, but It Breaks Like One》，2026-09-24（25/27、约 0.56→4.39）
7. T. Wu, W. Y. B. Lim（南洋理工大学），《Decision Hijacking: Prompt Injection Attacks on Jev's Typed Probabilistic Decisions》，arXiv:2609.28613，2026-09-23（54,060 次调用，ASR 1.8%/3.5%）
8. Vercel AI Gateway 采用数据（24 小时 13% 付费团队，约 2× GPT-5.6、6× Fable 5.1；工程师将安全分类器切换至 Jev）
9. DCVC 领投 40M 种子轮（200M 估值，Forbes 援引知情人士）及 James Hardiman 盈利表态