Jev 引爆决策模型狂潮，中国团队如何抢滩本地化？

据 Woofun AI 消息， 发布的 模型在短短两周内重塑了 AI 决策赛道格局，促使 、 等全球巨头及 等中国团队迅速跟进，联合创始人领衔的创业公司正试图通过开源与本地化部署策略，在激烈的市场竞争中抢占先机。

要理解这场技术变革的核心逻辑，必须回溯至 9 月 15 日，前 OpenAI 研究员 创办的 TypeSafe AI 正式推出 Jev。该模型被定义为 'System One 模型'，这一命名直接致敬了丹尼尔·在《思考，快与慢》中提出的双系统理论，旨在模拟人类快速、直觉式的思维过程，而非传统大模型所擅长的深度推理（System Two）。在 Agent 实际运行场景中，大量琐碎判断如工单分发、权限校验等高频发生，传统方案要么依赖昂贵且缓慢的大模型生成后解析，要么受限于僵化的硬编码规则。

Jev 通过仅回答预设选项问题并返回带概率的结构化结果，成功将 '判断' 从 '生成' 中剥离。其定价策略极具侵略性：每百万输入 token 仅收费 0.042 美元，输出完全免费。市场反馈印证了经济学家杰文斯所揭示的悖论——价格越低，需求越大。 披露的数据显示，Jev 上线 24 小时内，其 AI Gateway 上 13% 的付费用户已接入该模型，这一渗透率是此前任何模型发布时的两倍。

然而，Jev 作为闭源托管模型，无法公开权重或支持本地部署，这一局限性为后续竞争者留下了巨大的市场缺口。

全球科技巨头在 Jev 发布后的两周内展现了惊人的响应速度，但各自路径存在显著差异。OpenAI 在开发者日上推出了 ，直接利用其现有小模型能力进行快速迭代；Cloudflare 于 10 月 1 日开源了 模型；则发布了 。

与此同时，国内机构亦不甘落后，开源了多模态决策模型 。值得注意的是，这些巨头的动作虽然迅速，但大多基于云端服务或特定生态闭环，缺乏对本地化部署的深度支持。相比之下，中国团队在开源策略和本地化适配上展现出更强的灵活性。

Woofun AI 整理数据显示，Intern-Decision 提供了 0.8B、2B、4B 三档参数版本，主打多模态能力，能够理解图像和界面以做出决策，其推理速度据称比 Jev 快 2 到 3 倍。

这种差异化竞争策略，使得中国团队能够在 Jev 留下的市场空白中迅速建立立足点。

中国团队的差异化竞争策略不仅体现在参数规模的多样性上，更在于对开源生态和本地部署场景的深度挖掘。 一次性推出了从 0.8B 到 27B 的五档规格模型，并配齐量化文件，明确瞄准本地部署市场。在性能展示方面，StartLux 公布了一组国际象棋对弈数据：在 36 局比赛中赢下 35 局。需要指出的是，这是团队基于公开工具、对照 9 月 28 日榜单快照完成的自测结果。

尽管 '第一' 的保质期极短——StartLux 发布次日，Cloudflare 便宣称其 Clef 在同一榜单上领先——且下棋并非决策模型的核心应用场景，但这组数据仍反映了其在特定任务上的高效性。

更关键的变量在于，中国团队几乎不约而同地选择了开源路线。对于数据敏感且对跨境调用存在顾虑的国内开发者而言，Jev 的闭源云端模式构成了一道门槛，而开源权重和本地运行能力恰好填补了这一空缺。