Jev 并非新技术。其营销对象是那些认为 AI 起始于 LLMs 的人。

我一直看到 Jev 被描述为某种新的决策模型，但所宣传的大多是具备现代零样本能力的普通分类器行为。它输出受约束选择的概率，不自回归生成，无法输出无效类别，并能使用推理时定义的标签。这些都不是新事物。零样本/NLI 分类器、嵌入模型、交叉编码器和重排序器多年来一直在做类似的变化。奇怪的是，大多数 Jev 的令人印象深刻的比较都是针对 LLMs。当然，专门的分类器比让自回归 LLM 生成答案更快更便宜。这并不建立新的范式。有意义的比较是针对现有的强大分类器。已经有像 BTZSC 这样的基准，评估了数十种零样本分类器在 22 个数据集上的表现，包括 NLI 模型、嵌入模型和重排序器。我还没有看到 Jev 在这个领域得到适当的基准测试。(https://proceedings.iclr.cc/paper_files/paper/2026/hash/417e1c15b3d49852fceded8aa104107d-Abstract-Conference.html) 在人们将 Jev 与传统分类器进行比较的地方，故事就不那么神奇了。一个 Banking77 实验中，BGE-small + 逻辑回归得到 93.3%，而 Jev 为 83.2%，本地运行时间约为 9 毫秒。(https://github.com/ickma2311/jev-baselines-eval) 所以，我持怀疑态度。听着，Jev 甚至可能是一个好产品。也许他们未公开的架构或 RLCD 训练方法确实新颖。但到目前为止，我们所看到的一切都没有确立“System One Models”是 AI 的新类别。公开证据主要表明，使用专门的分类器进行分类可能比使用自回归 LLM 便宜得多且更快，这我们早已知道。只有当你的 AI 概念始于且终于 LLMs 时，这听起来才新颖。