Jev سریعترین مدل هوش مصنوعی تاریخ Vercel شد؛ ۳۵٪ تیمها در دو هفته
گزارش AI Gateway ورسل: مدل تصمیمگیر Jev در دو هفته به ۳۵٪ تیمهای پولی رسید اما فقط ۰٫۲۷٪ هزینهها را گرفت؛ Opus 5.5 بیشترین پول را جذب کرد و مدلهای open-weight حالا ۷۰٪ توکنها را دارند.
17 Oct 2026 · 3 min read · هوش مصنوعی · Vercel · Jev · مدل زبانی · AI Gateway · open-weight · Claude · OpenAI

Jev، مدل «تصمیمگیر» شرکت TypeSafe AI، طبق دادههای تازهی Vercel سریعترین مدلی بوده که تا حالا روی AI Gateway جا افتاده: فقط در دو هفتهی اول، ۳۵٪ از تیمهای پولی Vercel از آن استفاده کردهاند؛ تقریباً دو برابر Claude Sonnet 5.5 که دوم شده.

Jev دقیقاً چیست؟
Jev یک مدل زبانی همهکاره نیست. قرار است بین چند خروجی از پیش تعیینشده انتخاب کند؛ یعنی کارهایی مثل دستهبندی، مسیریابی درخواستها یا تشخیص دستورهای خطرناک. چون فضای خروجی محدود است، سریعتر و خیلی ارزانتر از مدلهایی مثل Sonnet اجرا میشود. خود Vercel هم جزو اولین مشتریها بوده و Jev را جای GPT-6 Luna برای دستهبندی دستورهای مضر گذاشته. بعد از عرضهی محدودش در ۱۵ سپتامبر، OpenAI و Amazon هم سراغ ساخت مدلهای مشابه رفتهاند.
محبوبترین، ولی تقریباً بیهزینه
نکتهی جالب گزارش اینجاست: Jev با اینکه بیشترین تعداد درخواست ماه سپتامبر را گرفت، در همان دو هفته فقط ۰٫۲۷٪ از هزینهها را به خودش اختصاص داد. در مقابل، Claude Opus 5.5 بیش از ۱۱٪ از کل پول گیتوی را در دو هفتهی اولش گرفت؛ بیشترین سهم هزینه در بین مدلهای تازهی سپتامبر. از هر ۱۰۰ تیمی که Jev را در هفتهی اول امتحان کردند، حدود ۵۶ تیم هفتهی بعد هم برگشتند.
بقیهی گزارش هم خواندنی است
- مدلهای open-weight حالا بیش از ۷۰٪ توکنها و نزدیک به ۲۵٪ هزینهها را دارند؛ سهم هزینهشان از ژوئن بیش از چهار برابر شده.
- هزینهی کل گیتوی در سپتامبر حدود ۱۳ برابر دسامبر بوده، در حالی که قیمت متوسط هر توکن ۴۷٪ ارزانتر شده.
- تقریباً از هر سه تیم، یکی در سپتامبر آزمایشگاه اصلیاش (مثلاً از Anthropic به OpenAI) را عوض کرده؛ رکورد این گزارش.
- سهم Anthropic از کل هزینهها برای اولین بار به زیر نصف رسید: از ۶۳٫۷٪ به ۴۳٫۹٪.
- حدود ۷۰٪ هزینهای که صرف مدلهای چینی شده، از طریق ارائهدهندههای آمریکایی پرداخت شده؛ در دسامبر این عدد کمتر از ۱۰٪ بود.
البته این داده فقط از ترافیک Vercel AI Gateway است (چیزی شبیه OpenRouter)، و مصرف مستقیم از API خود OpenAI و Anthropic را نشان نمیدهد. پس تصویر کامل بازار نیست، ولی تصویر خوبی از رفتار تیمهایی است که محصول واقعی میسازند.

نظر من
به نظرم مهمترین درس این گزارش این است که دوران «یک مدل بزرگ برای همهکار» دارد تمام میشود. خیلی از کارهای واقعی محصول، یک انتخاب ساده بین چند گزینه است و برای آن لازم نیست هزینهی یک مدل frontier را بدهید. Jev دقیقاً همین را ثابت کرد: بیشترین استفاده با کمترین هزینه.
از آن طرف، عدد Opus 5.5 نشان میدهد پول هنوز برای کارهای سخت پیش مدلهای قوی میرود. معماری درست برای اپهای هوش مصنوعی همین ترکیب است: مدلهای کوچک و ارزان برای مسیریابی و دستهبندی، مدلهای گران فقط جایی که واقعاً لازماند. اگر هنوز همهی درخواستهایتان را به یک مدل گران میفرستید، احتمالاً دارید پول اضافه میدهید.
اینکه از هر سه تیم یکی در یک ماه آزمایشگاه اصلیاش را عوض کرده هم یعنی مدل دیگر قطعهای قابلتعویض است. کدتان را طوری بنویسید که عوض کردن مدل یک تغییر کانفیگ باشد، نه بازنویسی.
منابع: گزارش Vercel و TechCrunch
Comments +
00No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.