Jev 分类器降低了分类任务的门槛和成本

Jev 这种分类器不是新东西，从机器学习时代开始，分类就是最基础的一个任务。2019 年那会儿，$NVDA 正经历一波大回调，才3点几美金，我还在实验室对 BERT 进行各种微调，比如给金融文本打标签，输出情绪置信度，而这些本质都是分类任务。再往前推一点，手写数字识别，这个跨越几十年的经典分类任务，从机器学习方法一路贯彻到深度学习网络……同样也创造了无数经典模型。

分类这个经典任务的目标其实根本���变过：问一个问题，拿回一个概率。Jev 真正改的是门槛。过去你要有一个分类器，得先有标注数据、有 GPU、有一个愿意调参几周甚至几个月的人；现在你写一句 prompt，70ms 拿到一个带校准的概率，十亿 token仅需$42。

以前一个分类器是一个项目，现在则只是一次接口调用而已。不过这也不会彻底消灭垂直领域的分类器。自己的数据训出来的模型，永远有场景。

但Jev打开的是另一块市场：那些本来就不值得专门训一个模型的场景，例如模型路由、打标、粗筛、给每条内容打分。数码相机之于胶片、Canva 之于设计、3D 打印之于开模、vibe coding 之于写代码，都很相似，根本目的并不是简单取代过去某一个专业领域，而是让达成目标的办法变得更加简单、价格低廉、速度更快。BERT 时代我微调一个情绪分类器要两周，现在我的资讯站每天给上千条内容打分分类，就是一段 prompt + 几秒钟的事情。

我并不觉得这叫革命，但速度+成本的数量级下降确实是一个非常惊艳的事情。