架构成本评估
Jev vs GPT-5.4 Nano 标签对比：每百万个谁更便宜？
Jev 的输入费率为每百万 token $0.042，甚至低于这里所有已定价小型 LLM 的批量输入费率。决策取决于 LLM 用额外费用为你带来了什么。
直接答案
对于仅需一个裸标签的场景，在我们定价的每种条目大小下，Jev 都更便宜。在 500 token 时，它每百万个条目收费 $21，而 GPT-5.4 nano 为 $125，Claude Haiku 5.5 或 GPT-6 Luna 为 $60。即便是批量 Luna 也要 $30。当你需要理由或几个字段时，或者当你的测试显示出某项 77 类别测试发现的准确率差距时，就选 LLM：Jev 为 79.0%，而两个 OpenAI 模型分别为 83.9% 和 86.2%。
决策摘要
| 决策领域 | 关键因素 |
|---|---|
| 300-token item | Jev $12.60 · Haiku 5.5 / Luna $40（批量 $20）· nano $85（批量 $42.50） |
| 500-token item | Jev $21 · Haiku 5.5 / Luna $60（批量 $30）· nano $125（批量 $62.50） |
| 2,000-token 条目 | Jev $84 · Haiku 5.5 / Luna $210（批量 $105）· nano $425（批量 $212.50） |
| 费率（OpenRouter, 3 Nov 2026） | Jev $0.042 输入 / $0 输出 · Haiku 5.5 和 Luna $0.10 / $0.50 · nano $0.20 / $1.25 · 批量各减半 |
| Context | Jev 262,144 · nano 400,000 · Haiku 5.5 1,000,000 · Luna 1,050,000 |
| Output | Jev：一个选择加概率 · LLM：你要求的任意文本 |
三种条目大小下的算术
每个 LLM 行都是输入 token 数 × 输入费率，加上 20-token 标签 × 输出费率，按每百万条计算。一百万个 20-token 标签就是 2000 万个输出 token。在 nano 上这要花 $25（$1.25 × 20），在 Haiku 5.5 或 Luna 上是 $10（$0.50 × 20）。Jev 的答案不花钱。
按 300 token 计算：Jev 300 × $0.042 = $12.60。Haiku 5.5 或 Luna $30 + $10 = $40。Nano $60 + $25 = $85。按 500 token 计算：Jev $21，Haiku 或 Luna $50 + $10 = $60，nano $100 + $25 = $125。按 2,000 token 计算：Jev $84，Haiku 或 Luna $200 + $10 = $210，nano $400 + $25 = $425。
Batch 会把两个 LLM 的费率都减半。这样在三种规模下，Haiku 5.5 或 Luna 分别是 $20、$30 和 $105，nano 是 $42.50、$62.50 和 $212.50。Jev 在每种规模下仍然更低，因为它的 $0.042 输入费率低于最便宜 LLM 的 $0.05 batch 输入价。
OpenTweet 的 2x 数字在这里意味着什么
OpenTweet 的计算页面把 GPT-5 nano 在裸标签上的成本算成约为 Jev 的两倍。按 11 月 3 日的标价和我们 500-token 的假设，GPT-5.4 nano 约为 Jev 的六倍（$125 ÷ $21 = 5.95）。我们没有核对他们的 token 或价格假设。无论如何，结论都成立：仅看 token 价格，决策模型更便宜。
小型 LLM 在哪里值回更高的账单
一个用户会读的理由。Jev 返回的是一个选择和概率，而不是一句话。如果客服坐席需要“Billing，因为客户提到了重复扣费”，LLM 一次调用就能做到。
同时处理多个字段。从消息中提取订单号、日期和产品名称是提取，而非选择。要求 Haiku 5.5 为一个 500 token 的项目输出 150 token 的 JSON 对象，每百万个项目成本为 $50 + $75 = $125。Jev 无法以任何价格返回自由文本字段。
它已经在你的技术栈中。如果标签附在你已经进行的调用上，边际成本就是额外的 20 个输出 token：在 Luna 上每百万个项目 $10。单独的 Jev 调用成本 $21，高于此。
准确率，以及一个错误标签值多少钱
Kai Waehner 引用了一项独立的 77 类意图测试，Jev 为 79.0%，两个未具名的 OpenAI 模型分别为 83.9% 和 86.2%，并称这一差距显著。文章没有给出样本量。77 选一对任何小模型来说都很难，所以这是 LLM 最可能胜出的场景。
如果你自己的测试显示出 4.9 个百分点的差距（79.0% 对 83.9%），那每百万条就会多出 49,000 个错误标签。每百万条 500-token 条目上，Haiku 5.5 比 Jev 贵 $39（$60 − $21）。$39 ÷ 49,000 约为 $0.0008。如果修正一个错误标签的成本高于这个数，更贵的模型就能回本。对 nano 来说，这个数字是 $104 ÷ 49,000，约为 $0.002。
- 错误标签会让人多花 30 秒：用更准确的模型
- 错误标签只是把工单送到次优队列：Jev 的价格很可能胜出
- 不确定：把 Jev 低概率的答案转给 LLM，其余保留
两者兼用的分流方案
最便宜的设置通常是级联。Jev 标记所有内容，任何低于概率阈值的内容交给 Haiku 5.5。如果 15% 的项目在 500 token 大小下低于阈值，每百万个项目的账单是 Jev 的 $21 加上 LLM 的 $9（$60 的 15%），即 $30。
这比只用 Jev 贵 $9，比只用 Haiku 5.5 便宜 $30。LLM 只会看到困难案例。阈值要根据有标签的样本设定，而不是凭第一周的直觉。
每月 1000 万条标签的一年成本
把 500-token 的数字乘以十，就是每月 1000 万条标签。Jev 每月 $210，即每年 $2,520。Claude Haiku 5.5 或 GPT-6 Luna 每月 $600，即每年 $7,200，使用 batch 时每月 $300。GPT-5.4 nano 每月 $1,250，即每年 $15,000，使用 batch 时每月 $625。
因此，在这个用量下，从 nano 换到 Jev 每年可省 $12,480，从 Haiku 5.5 换过来可省 $4,680。迁移之前，请把这笔节省与准确率部分提到的额外错误标签成本权衡一下。
你的代码会有什么变化
使用 LLM 时，标签集放在 prompt 里，再由解析器读取回复。使用 Jev 时，标签集变成带类型问题中的选项列表，答案以选择的形式返回，并带有每个选项的概率。解析器及其格式错误重试分支就不需要了。
Jev 只能从你列出的选项中挑选。如果你的 LLM 有时会回答“以上都不是”，就把它也加为一个选项，否则这些情况会被强行归入最接近的标签。然后重新跑一遍你的有标签数据集，并查看每个错误答案上的概率。这会告诉你把案例发送给 LLM 的阈值该设在哪里。
要点
- →对于单一标签，Jev 在我们定价的每个项目规模上都更便宜。在 500 个 token 时，每百万项目成本为 21 美元，而 GPT-5.4 nano 为 125 美元，Claude Haiku 5.5 或 GPT-6 Luna 为 60 美元。即使是 batch Luna 也需要 30 美元。当您需要理由或几个字段时，或者当您的测试显示一个 77 类别测试发现的准确率差距时，请选择 LLM：Jev 79.0%，而两个 OpenAI 模型分别为 83.9% 和 86.2%。
- →如果您只需要一个标签，并且错误标签的成本大约低于十分之一美分，请改用 Jev；否则，请在您的标注集上同时运行两者，并计算额外错误的成本。
- →这个 77 类别测试没有指明其使用的 OpenAI 模型或样本量，因此应将其差距视为测试的理由，而不是关于 nano 的已测量事实。
What users report
Users split on whether a decision model beats a cheap small LLM: Jev wins on latency, but some find small LLMs accurate and cheap enough when speed doesn't matter.
Paraphrased from public posts, with the date and a link to each original. These are other people's accounts, not our tests, and we have not verified each one.
One user reported that Nano was unreliable on open-ended tasks but cheaper than larger models when the task was explicit and output rigidly structured, and usually faster.
Value · GPT-5.4 Nano · Hacker News, Sep 2026
A side-project developer said sorting a list into about 20 categories took 30-60 seconds on DeepSeek V4 Flash, while Jev did it in under a second at the same cost.
Switching · Jev · Hacker News, Sep 2026
A developer replaced a 5.6 Luna ranking sub-agent with Jev to filter retrieval results, reporting 5-10 seconds saved per round, no precision loss, and a slightly lower bill.
Switching · Jev · Hacker News, Oct 2026
One user said Luna still beat Jev on accuracy for their product; latency didn't matter to them and extra Luna tokens cost a negligible amount.
Quality · Jev · Hacker News, Oct 2026
A machine learning engineer said plain LLMs had already been cheap and serviceable zero-shot classifiers, so the excitement around Jev frustrated them.
Value · Decision models · Hacker News, Oct 2026
本页面如何准备
此页面上的价格来自 OpenRouter 的实时模型 API，读取于 2026 年 11 月 3 日。每次决策的成本是状态 token 乘以输入费率，因为列出的每个决策模型的输出都是免费的；小型 LLM 的成本则在该模型的输出费率下加上指定的标签长度。OpenRouter 的信用费用在相关处单独显示。我们没有为这些页面运行私人基准测试：准确率和延迟数据归功于测量它们的供应商或第三方，供应商数据被标记为供应商声明。
常见问题
Jev 比 GPT-5 nano 便宜吗？
是的，对于单一标签。对于一个 500 token 的项目，标签为 20 token，GPT-5.4 nano 每百万项目成本为 125 美元，Jev 为 21 美元。Batch nano 为 62.50 美元。
Claude Haiku 5.5 比 Jev 便宜吗？
不。Haiku 5.5 每百万输入 token 成本为 0.10 美元，输出为 0.50 美元，因此每百万 500 token 标签成本为 60 美元，batch 为 30 美元。Jev 成本为 21 美元。
Jev 和小型 LLM 一样准确吗？
并不总是。一个独立的 77 类别测试显示 Jev 为 79.0%，而两个 OpenAI 模型分别为 83.9% 和 86.2%。在更少、更清晰的选项上，差距可能会消失。请在自己的案例上进行测试。
Jev 能告诉我其标签的理由吗？
不能。它只返回选择和概率。只有当有人会阅读时，才向 LLM 询问理由。
批量定价何时会改变答案？
它将 LLM 账单减半，但在我们定价的每个规模上仍高于 Jev，因为 Haiku 5.5 和 Luna 的批量输入为每百万 0.05 美元，而 Jev 为 0.042 美元。批量还意味着等待结果。
通过将标签从 nano 迁移到 Jev，我一年能节省多少？
每月 1000 万个 500 token 标签，nano 每年成本为 15,000 美元，Jev 为 2,520 美元，节省 12,480 美元。在 batch nano 上，节省为 7,500 美元 - 2,520 美元 = 4,980 美元。