Jev is a general-purpose classifier, not a new paradigm, author argues
The author argues Jev is essentially a classifier that keeps the LLM's cross-task generalization but drops language generation, making it suited to routing, judging and verification in agents.
最近很多人在讨论 Jev，说它代表一种新的 “System One Model”。但我看完以后第一反应是：这东西怎么看都像以前的分类模型。 输入一段信息，输出候选结果和概率。Spam 0.97，Normal 0.03。机器学习几十年前就在做。所以真正值得讨论的不是 Jev 发明了什么，而是：为什么到了 2026 年，我们又开始重新发明 classifier？ 过去的 classifier 最大的问题，是一个模型通常只解决一个固定任务。情感分类、垃圾邮件、风险判断，都要分别训练。LLM 出现以后，这个问题被解决了：同一个模型，换个 Prompt，就能判断退款、流失、风险、工具路由、任务是否完成。 Jev 想做的，就是保留这种跨任务泛化能力，同时去掉语言生成。传统 classifier 是 task-specific classifier，Jev 更像 general-purpose classifier，或者我更愿意叫它 Foundation Classifier。 这在 Agent 时代很有意义，因为 Agent 里大量工作其实根本不需要生成：tool routing、completion check、safety gate、policy check、memory selection、verification。最后系统要的经常只是 true / false，或者 A / B / C。 但现在我们为了得到一个 true，经常会调用一个大型自回归模型，让它读 Prompt、推理、生成 JSON，最后再 parse。Jev 提出的其实是一个很朴素的问题： 为什么判断一定要经过语言生成？ 如果软件最终只需要 P(success)=0.96，那模型直接给概率就够了。Agent Harness 甚至可以直接定义：0.99 以上自动执行，0.8–0.99 升级给强模型，低于 0.8 交给人工。 所以 Jev 最值得看的，不是“新模型范式”，而是一种 Agent 架构：少量昂贵 Generator 负责规划、代码和复杂推理，大量廉价 Classifier 负责 routing、judge、gate、verify 和 policy。 一个 Agent 跑 100 步，真正需要最强模型完成的，也许只有其中 10 步。剩下 90 步可能只是判断。 过去几年 AI 默认的是： 所有智能问题 → Language Model → Generate Tokens 接下来可能重新拆成： 需要创造 → Generator 需要判断 → Classifier AI 绕了一大圈，又回到了分类器。 只不过这一次，classifier 可能终于拥有了 foundation model 的泛化能力。