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

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。

01

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。

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。

02

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。

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。

03

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

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。