开场：一个不和人说话的模型刷屏了

主持人介绍本期主题 Jev 突然爆火，并抛出核心问题：当 AI 的服务对象从人变成程序，模型是否还需要把思考翻译成人类语言。三位嘉宾 APUS AI 首席科学家张旭、前硅基流动联合创始人杨攀、Parall 联合创始人余华亨登场。

三位嘉宾的第一印象与上手体验

嘉宾们回忆各自看到 Jev 的时间点与第一反应。张旭在周末就复现并训练了自己的版本；杨攀第一时间申请 waitlist，想用微信数据做实验；余华亨则从成本与速度平衡的角度意识到很多中间层应用可以被替代。主持人还提到 Jev 注册问卷要求提交最酷项目和最爱梗图。

Jev 到底是什么：砍掉 decode 的大模型

张旭用 prefill 和 decode 两步拆解大模型工作流程，指出 Jev 本质是砍掉了 decode 环节，直接从概率分布给出选项，这是它快的根本原因。杨攀提出「关节模型」比喻，认为它连接了刚性程序与泛化对话之间的空白地带。余华亨从工程视角指出它可能成为柔性 API。

System 1 与 System 2：模型分工的想象

主持人将 Jev 与具身智能中的大脑小脑分工类比。张旭认为 agent 场景本就不需要所有工作交给大模型，模型分工是合理架构。杨攀则从营销角度评价硅谷创始人善于包装概念，并呼吁对新事物先看它带来什么变化。

路线之争：RLHF 是不是把 AI 带歪了

主持人介绍 Jev 创始人对 RLHF 路线的批评，认为 AI 应该关注 automation 而非满足人类偏好。张旭回应认为大模型进化路子没走歪，Jev 只是特例，行业前沿本就在研究把人类语言环节去掉，包括思维链内化和 multi-agent 直接通信。余华亨认为这更多是给市场带来启发。

幻觉的真相与训练方式

张旭解释 Jev 所谓「没有幻觉」是指它不会编造新选项，但仍可能选错。他介绍自己团队复现并开源了模型，训练方式与大模型基本一致，只是对齐目标从人类可读文字变成选项概率分布。杨攀提醒目前超过一半的用例本身不适合用 Jev 解决，评测集也还不成熟。

什么场景适合 Jev：海量、高频、可并行

嘉宾们讨论适用场景。张旭认为它适合快速判断的简单任务，不能指望深度思考。杨攀给出判断框架：只有海量数据处理、可并行或高频的场景才值得用，否则整体收益很小。余华亨强调不能为了用它而用它，它是一把锋利的匕首，能解决过去在 token 速度与模型智力之间反复平衡的瓶颈。

模型路由被证伪与 API 使用误区

张旭透露自己团队测试发现用 Jev 做模型路由效果不好，根本原因是模型不知道自己会出错，最终采用专门训练的路由模型。杨攀分享自己踩过的坑：直接让 AI 写代码调用 API 效果很差，后来才发现接口支持传指令、定义标签、举正反例，建议开发者先仔细读 API。

Computer Use、具身智能与安全场景

张旭确认 Jev 在 Computer Use 和 Browser Use 上速度提升属实，原理是把操作网页变成一次选择题。杨攀提到有案例把 GPT 的视觉能力与 Jev 结合做具身 demo。张旭补充具身智能圈正在讨论 VLA 做小脑、GPT 做大脑的搭配，但 Jev 目前输入还是文本，还不能直接充当 VLA。网络安全方面可以做快速判断，但无法与专门模型相比。

复刻版能力、参数规模与本地部署

张旭表示自己团队训练的版本在一千道题的 benchmark 上全面超过原版，在五六家开源模型中分数最好。他推测 Jev 原版约百亿参数，开源版本有四 B 和九 B，四 B 普通 CPU 就能跑。关于教育应用，他认为纯知识类选择题适合，需要复杂推理的数学题则较难。

未来架构：不会是一群 Jev

张旭认为 Jev 选择了一条有意为之的赛道，避开与十万亿参数前沿模型的资本竞争，但这个方向也很卷，前沿模型稍作定制就能覆盖。他判断未来不会是一群 Jev，OpenAI 和 Claude 可以提供一个开关就实现类似能力。杨攀则认为创始人对 automation 方向很坚定，他探索的是大模型圈之外可能大十倍百倍千倍的市场。

训练门槛消失与基础设施判断

杨攀追问张旭开源的目的，张旭表示公司本就有开源布局。随后讨论前沿模型加持下小团队自训模型的门槛问题。张旭认为 GPT 在模型训练领域已相当于一到两年经验的人，Anthropic 内部评估约百分之八十训练工作可由 Claude 完成，门槛正在消除。他强调大模型不可能垄断在一两家企业手里，否则没人敢把业务放上去。

结尾与招聘信息

主持人感谢三位嘉宾，节目收尾。片尾插播极客公园招聘 AI 方向内容编辑、播客制作实习生等岗位的信息，并引导关注视频号极客公园。