Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

Jev 太有意思了，我把 Jev 接入 Claude Code、Codex 了…… 我直接让 Codex + Jev 帮我判断下：Mac mini 我到底要不要买？结果 Jev 回答很果断：不买！！😂 这玩意儿拿来做判断是真有点意思，关键是速度快、还巨省钱！！以后做选择、判断这种杂活就交给 Jev 吧，Claude Code、Codex 干活，Jev 下结论。这组合我感觉还能继续玩出不少东西……

小码哥

9,324 subscribers

120,846 Aufrufe • vor 17 Tagen •via X (Twitter)

Bildung Wissenschaft & Technologie

Anya Rossi• Live Now

Private livecam show

7 Kommentare

Profilbild von cambridgeheg11@gmail.com

[email protected]vor 16 Tagen

你在问他下是不是真调用了typesafe。应该会回答你不是😂

Profilbild von 倪塍

倪塍vor 16 Tagen

倒不如说这是一种趋势，以后就是多个ai模型一起完成一个项目

Profilbild von 麦麦Maylia

麦麦Mayliavor 16 Tagen

能不能问一问科技还要沉溺多久？

Profilbild von Gate高返85小简

Gate高返85小简vor 17 Tagen

把决策权外包给AI是种新潮流

Profilbild von chance

chancevor 16 Tagen

Codex 干活、Jev 拍板——这分工比再堆一个全能 agent 实在。Mac mini 那种二元选择，本来就不该烧思考额度；省钱是副产品，路由对了才是主收益。

Profilbild von Wei佳

Wei佳vor 16 Tagen

问一问他，你之前买的两部iPhone能不能赚钱？😁

Profilbild von 小码哥

小码哥vor 16 Tagen

我已经退了……

Ähnliche Videos

果然有些营销号不能全信，Jev 和 Laya 还是得自己跑一遍才知道区别。我用最简单的方式测了一下，结果其实挺直观： Laya 确实快，但它是本地部署，本身就没有云端网络延迟。拿这个速度直接跟 Jev 比，多少有点玩文字游戏。所以我觉得 Laya 更适合本地、低延迟、需要快速响应的场景。 Jev 云端调用慢一点很正常，但我自己这轮测试下来，判断准确度还是明显比 Laya 高一些。一个偏速度，一个偏准确度，适用场景其实不太一样。不过我现在最好奇的还是之前看到的那个“俄罗斯方块”Demo。按我目前对 Jev 的理解，我还真没搞明白那个效果到底是怎么做出来的有知道的兄弟指点一下🤣

果然有些营销号不能全信，Jev 和 Laya 还是得自己跑一遍才知道区别。我用最简单的方式测了一下，结果其实挺直观： Laya 确实快，但它是本地部署，本身就没有云端网络延迟。拿这个速度直接跟 Jev 比，多少有点玩文字游戏。所以我觉得 Laya 更适合本地、低延迟、需要快速响应的场景。 Jev 云端调用慢一点很正常，但我自己这轮测试下来，判断准确度还是明显比 Laya 高一些。一个偏速度，一个偏准确度，适用场景其实不太一样。不过我现在最好奇的还是之前看到的那个“俄罗斯方块”Demo。按我目前对 Jev 的理解，我还真没搞明白那个效果到底是怎么做出来的有知道的兄弟指点一下🤣

码农暖爸

39,336 Aufrufe • vor 15 Tagen

兄弟们，我才发现Codex最冤的Token，不是写代码烧掉的。是天天拿它干分类这种粗活。有人把Jev接进Codex：分类、筛选、路由交给Jev，真要动脑子再叫Codex。安装： npx skills add typesafe-ai/skills --skill typesafe-ai 说白了，别再让教授天天帮你分快递。我按照G哥的测试确实省了93% Token。偶尔问两句就别折腾了；一天大任务的，这玩意才真狠。

兄弟们，我才发现Codex最冤的Token，不是写代码烧掉的。是天天拿它干分类这种粗活。有人把Jev接进Codex：分类、筛选、路由交给Jev，真要动脑子再叫Codex。安装： npx skills add typesafe-ai/skills --skill typesafe-ai 说白了，别再让教授天天帮你分快递。我按照G哥的测试确实省了93% Token。偶尔问两句就别折腾了；一天大任务的，这玩意才真狠。

火山哥🕊️

63,338 Aufrufe • vor 17 Tagen

兄弟们，我用 Jev 测了一轮 Computer Use + 滑雪视频混剪。随机抽取 16 条滑雪素材，基于抽帧描述让 Jev 评分、选择开场和收尾，再通过 Computer Use 操作 CapCut，完成分割、裁剪、变速，输出 16 秒 Phonk 混剪。我的判断标准：动作够不够刺激、切换是否流畅、配乐有没有力量，能不能按我的要求调整。个人感觉效果不错。尤其提出“更重的运动 Phonk”后，配乐和节奏都更接近我想要的效果。这一轮基本不到 5 分钟就剪好了，还保留了可编辑工程。消耗也不大：20× 额度下使用 GPT‑6 Astra中，占用不到 1%——这里说的是额度变化，不是精确 token 统计。 Jev 负责判断，Computer Use 负责把判断落实到剪辑软件里。以后批量混剪，视频切片分发这个行业可能不需要找外包了。全程jev写好判断，直接程序后台就能跑。我这里演示操作computer-use 主要是让大家有个直观的感觉，全程无加速视频看下面，成片效果见评论。

兄弟们，我用 Jev 测了一轮 Computer Use + 滑雪视频混剪。随机抽取 16 条滑雪素材，基于抽帧描述让 Jev 评分、选择开场和收尾，再通过 Computer Use 操作 CapCut，完成分割、裁剪、变速，输出 16 秒 Phonk 混剪。我的判断标准：动作够不够刺激、切换是否流畅、配乐有没有力量，能不能按我的要求调整。个人感觉效果不错。尤其提出“更重的运动 Phonk”后，配乐和节奏都更接近我想要的效果。这一轮基本不到 5 分钟就剪好了，还保留了可编辑工程。消耗也不大：20× 额度下使用 GPT‑6 Astra中，占用不到 1%——这里说的是额度变化，不是精确 token 统计。 Jev 负责判断，Computer Use 负责把判断落实到剪辑软件里。以后批量混剪，视频切片分发这个行业可能不需要找外包了。全程jev写好判断，直接程序后台就能跑。我这里演示操作computer-use 主要是让大家有个直观的感觉，全程无加速视频看下面，成片效果见评论。

知识猫AI实验室

61,192 Aufrufe • vor 19 Tagen

卧槽，JEV 的出现很可能就是自动智能交易的起点。昨天JEV在AI 圈刷屏，今天 Monad 工程师就用JEV做了一个自动交易机器人。实时读取 MON/USDC 价格，JEV 不负责写分析报告，也不跟你解释一堆逻辑，它只做最核心的事，判断 Buy 还是 Sell，再给出置信度，然后直接把交易发到 Kuru 的链上订单簿执行。这一下我突然明白 JEV 为什么要做成一个不会说话的模型了。交易根本不需要 AI 每 300ms 给你写一篇小作文，它需要的是：行情进来→判断→下单→新行情→重新判断，而且这一整套循环必须足够快、足够便宜。而 Monad 现在刚好每 300ms 出一个区块，Kuru 又是链上订单簿。高性能链负责执行，JEV 负责决策，两个东西拼起来，已经有点AI 原生交易系统的味道了。未来的交易 Agent，不一定需要一个会写研报的超级大模型，它更需要一个能在极低延迟下连续做几百万次判断的大脑。昨天我提交的WL今天也通过了，接下来我先尝尝咸淡，看看到底怎么个事。

卧槽，JEV 的出现很可能就是自动智能交易的起点。昨天JEV在AI 圈刷屏，今天 Monad 工程师就用JEV做了一个自动交易机器人。实时读取 MON/USDC 价格，JEV 不负责写分析报告，也不跟你解释一堆逻辑，它只做最核心的事，判断 Buy 还是 Sell，再给出置信度，然后直接把交易发到 Kuru 的链上订单簿执行。这一下我突然明白 JEV 为什么要做成一个不会说话的模型了。交易根本不需要 AI 每 300ms 给你写一篇小作文，它需要的是：行情进来→判断→下单→新行情→重新判断，而且这一整套循环必须足够快、足够便宜。而 Monad 现在刚好每 300ms 出一个区块，Kuru 又是链上订单簿。高性能链负责执行，JEV 负责决策，两个东西拼起来，已经有点AI 原生交易系统的味道了。未来的交易 Agent，不一定需要一个会写研报的超级大模型，它更需要一个能在极低延迟下连续做几百万次判断的大脑。昨天我提交的WL今天也通过了，接下来我先尝尝咸淡，看看到底怎么个事。

比特币橙子Trader

737,208 Aufrufe • vor 21 Tagen

卧槽，今天 AI 圈最火的模型，应该就是 JEV 了。现在所有大模型都在拼更会说话、更会写、更像人，JEV 直接反着来，它根本不生成文字，只负责做判断和决策。我已经迫不及待用JEV帮我决策自动交易股票和加密货币了😂 官方给的数据非常夸张：20—200 倍更快，40—400 倍更便宜，输入每百万 Token 只要 0.042 美元，输出 Token 直接免费。我们今天用 GPT、Claude、Gemini 做自动化，经常是让模型先写一大段话，再让程序从里面抠出 JSON、标签、分数和下一步动作。 JEV 干脆把“说废话”这一步整个删了，直接告诉软件：选 A 还是 B、概率多少、置信度多少。客服分流、内容审核、Agent 路由、推荐系统、风控、交易信号过滤……现实世界里大量 AI 调用，本来就不是为了让它写小作文，而是为了让它每秒做成千上万个判断。这也是我觉得 JEV 最值得关注的地方。目前 JEV 还在 Early Access，感兴趣的同学可以先去加入白名单等体验。

卧槽，今天 AI 圈最火的模型，应该就是 JEV 了。现在所有大模型都在拼更会说话、更会写、更像人，JEV 直接反着来，它根本不生成文字，只负责做判断和决策。我已经迫不及待用JEV帮我决策自动交易股票和加密货币了😂 官方给的数据非常夸张：20—200 倍更快，40—400 倍更便宜，输入每百万 Token 只要 0.042 美元，输出 Token 直接免费。我们今天用 GPT、Claude、Gemini 做自动化，经常是让模型先写一大段话，再让程序从里面抠出 JSON、标签、分数和下一步动作。 JEV 干脆把“说废话”这一步整个删了，直接告诉软件：选 A 还是 B、概率多少、置信度多少。客服分流、内容审核、Agent 路由、推荐系统、风控、交易信号过滤……现实世界里大量 AI 调用，本来就不是为了让它写小作文，而是为了让它每秒做成千上万个判断。这也是我觉得 JEV 最值得关注的地方。目前 JEV 还在 Early Access，感兴趣的同学可以先去加入白名单等体验。

比特币橙子Trader

561,023 Aufrufe • vor 22 Tagen

卧槽？？一个不到 2B、能本地部署的小模型，给真实 Issue 做分类，跟 JEV 的结果居然这么接近？最近 JEV 的玩法看了不少，给邮件分类、给 Agent 选工具。这类需求太常见了，我就想知道这张工单该分给谁、下一步该调用哪个工具，真不用每次都给我写一篇分析。所以这次我把 JEV 和 This That 都接进 Pi，直接拉了 OpenAI Codex 仓库的 30 条真实 Issue，让它们现场做题。用户是在报 Bug、提功能需求，还是问怎么用？问题出在登录、界面、执行还是会话？同一份内容、同一组选项，每条做两项判断，两边各发 60 次请求。跑完一看：JEV 用了 23.5 秒，This That 用了 25.6 秒。30 条里，28 条的两项判断完全一样，两边都没出现请求失败。速度这轮还是 JEV 快一点。但 This That 只有 18.8 亿参数，权重约 3.76GB，而且能下载到自己机器上跑。这个结果真让我想继续折腾一下了。它的用法也很干脆：把问题和选项给进去，一次计算直接返回选择和概率。程序拿到结果就能接着往下走，不用再从一大段回答里抠出一个“是”或者“否”。更实用的是本地部署。客户工单、内部文档、还没发布的产品资料，这些东西只是想分个类，也不一定愿意全部发到外面的 API。 This That 支持 NVIDIA GPU、Apple Silicon 和 CPU，可以把这一步判断留在自己的设备上。做 Agent 的人，手里又多了一个能自己控制的小工具。这次我跑的是 API 对比，本地性能还没测。28/30 是两个模型判断一致，也不等于准确率，这两个口径先说清楚。完整录屏放上面。做客服分流、邮件分类、Agent 工具选择的，直接拿一批自己业务里的真实数据试试，比盯着榜单猜有用。模型和权重：免费体验地址：

卧槽？？一个不到 2B、能本地部署的小模型，给真实 Issue 做分类，跟 JEV 的结果居然这么接近？最近 JEV 的玩法看了不少，给邮件分类、给 Agent 选工具。这类需求太常见了，我就想知道这张工单该分给谁、下一步该调用哪个工具，真不用每次都给我写一篇分析。所以这次我把 JEV 和 This That 都接进 Pi，直接拉了 OpenAI Codex 仓库的 30 条真实 Issue，让它们现场做题。用户是在报 Bug、提功能需求，还是问怎么用？问题出在登录、界面、执行还是会话？同一份内容、同一组选项，每条做两项判断，两边各发 60 次请求。跑完一看：JEV 用了 23.5 秒，This That 用了 25.6 秒。30 条里，28 条的两项判断完全一样，两边都没出现请求失败。速度这轮还是 JEV 快一点。但 This That 只有 18.8 亿参数，权重约 3.76GB，而且能下载到自己机器上跑。这个结果真让我想继续折腾一下了。它的用法也很干脆：把问题和选项给进去，一次计算直接返回选择和概率。程序拿到结果就能接着往下走，不用再从一大段回答里抠出一个“是”或者“否”。更实用的是本地部署。客户工单、内部文档、还没发布的产品资料，这些东西只是想分个类，也不一定愿意全部发到外面的 API。 This That 支持 NVIDIA GPU、Apple Silicon 和 CPU，可以把这一步判断留在自己的设备上。做 Agent 的人，手里又多了一个能自己控制的小工具。这次我跑的是 API 对比，本地性能还没测。28/30 是两个模型判断一致，也不等于准确率，这两个口径先说清楚。完整录屏放上面。做客服分流、邮件分类、Agent 工具选择的，直接拿一批自己业务里的真实数据试试，比盯着榜单猜有用。模型和权重：免费体验地址：

Yanhua

25,209 Aufrufe • vor 15 Tagen

Jev 都拿来研究代码，我就不一样，直接拿来选女朋友🔥 我直接做了一个女友选择器，毕竟美女谁不喜欢！主要是接入 DeepSeek 去做多模态的识别，把对应图片内容组装好通过 Jev 去打分 Jev 整体的表现非常不错打分又快又好，测试了一下 60 张美女图片直接 10 秒内搞定，主要限制还是在 DeepSeek 接口上如果配置上本地多模的接口输出和打分将会非常恐怖刚刚好 JEV 的特长就是：判断、选择和打分可以输入自己对女友的喜好，喜欢什么类型都可以做选择其实还可以再深挖一部分，比如加上身高、体重、年龄等其他特征，那筛选起来就更美丽了

Jev 都拿来研究代码，我就不一样，直接拿来选女朋友🔥 我直接做了一个女友选择器，毕竟美女谁不喜欢！主要是接入 DeepSeek 去做多模态的识别，把对应图片内容组装好通过 Jev 去打分 Jev 整体的表现非常不错打分又快又好，测试了一下 60 张美女图片直接 10 秒内搞定，主要限制还是在 DeepSeek 接口上如果配置上本地多模的接口输出和打分将会非常恐怖刚刚好 JEV 的特长就是：判断、选择和打分可以输入自己对女友的喜好，喜欢什么类型都可以做选择其实还可以再深挖一部分，比如加上身高、体重、年龄等其他特征，那筛选起来就更美丽了

小墨同学

20,654 Aufrufe • vor 20 Tagen

Jev 居然输给了一个 1.88B 本地模型？我用俄罗斯方块重新测了一遍当我看到 this-that-model-1.0 在 68 道决策题上做到 94.1% 准确率，而 Jev 是 76.5% 时，我的第一反应是：这是真的假的？一个只有 1.88B 参数、可以在 Mac 本地运行的小模型，真的能在决策任务上超过 Jev 吗？所以我做了一个俄罗斯方块，让两个模型使用相同的棋盘规则、随机种子和方块顺序。程序负责计算所有合法落点，模型只负责决定方块应该放在哪里。 1️⃣ 一开始，Jev 的表现更好最初，我先过滤掉明显更差的落点，再把剩下的多个候选位置同时交给模型。在这一模式下，Jev 的表现更加稳定。我观察到的一轮里： Jev 消除了 5 行，this-that 消除了 3 行。如果只看到这里，很容易得出结论：本地小模型还是不如 Jev。但我后来意识到，这种问题可能并不是 this-that 最擅长的形式。 2️⃣ 换成“二选一”后，结果反了 this-that 本质上是一个 typed decision model，更擅长候选明确、边界清楚的选择题。所以我把决策方式改成了淘汰赛： A 和 B，哪个落点更好？胜者进入下一轮，继续和其他候选位置比较，直到选出最终落点。换成这种模式后，我观察到的一轮结果变成了： this-that 消除了 7 行，Jev 只消除了 1 行。 this-that 的棋盘也更加平整，留下的空洞更少。模型没有变，游戏没有变。唯一改变的，是我向模型提问的方式。 3️⃣ 这个模型特别在哪里？ this-that-model-1.0 只有约 18.8 亿参数，采用 MIT License，可以下载到本地运行。它不写小作文，也不慢慢生成 Token。你给它当前状态、一个问题和几个合法选项，它通过一次前向计算直接返回：选择哪个 + 每个选项的概率因此它很适合任务分流、Skill 选择、队列判断、风险分级，以及 Agent 下一步动作这类高频决策。官方模型卡公布的 68 道决策题中，this-that 答对 64 道，准确率 94.1%；Jev 答对 52 道，准确率 76.5%。在概率校准指标上，this-that 的 Brier Score 是 0.042，Jev 是 0.133。数值越低，代表模型给出的概率与实际结果越接近。 4️⃣ 但这不代表 Jev 被全面打败了俄罗斯方块是一条连续决策链，前面一个方块放错位置，后面的棋盘状态就会完全不同。单局结果不能代表模型的完整能力。而且二选一虽然降低了每次判断的难度，却需要进行更多次模型调用，总延迟不一定更低。所以更准确的结论不是“this-that 全面强于 Jev”，而是： Jev 更适合某些信息丰富的综合比较；this-that 更适合高频、明确、封闭选项的结构化判断。这次实验真正让我感兴趣的是：未来的 Agent 可能不应该所有事情都找最强模型。高频、重复、答案明确的小判断，可以交给本地小模型；真正复杂的推理与生成任务，再交给 GPT、Claude 等大模型。有时候，决定结果的不只是模型大小。还包括：你有没有把问题问成它擅长回答的样子。因为这个模型够小，其实普通电脑也可以部署，大家有需要的可以看下这个开源模型的介绍，链接我放评论区了👇🏻

Jev 居然输给了一个 1.88B 本地模型？我用俄罗斯方块重新测了一遍当我看到 this-that-model-1.0 在 68 道决策题上做到 94.1% 准确率，而 Jev 是 76.5% 时，我的第一反应是：这是真的假的？一个只有 1.88B 参数、可以在 Mac 本地运行的小模型，真的能在决策任务上超过 Jev 吗？所以我做了一个俄罗斯方块，让两个模型使用相同的棋盘规则、随机种子和方块顺序。程序负责计算所有合法落点，模型只负责决定方块应该放在哪里。 1️⃣ 一开始，Jev 的表现更好最初，我先过滤掉明显更差的落点，再把剩下的多个候选位置同时交给模型。在这一模式下，Jev 的表现更加稳定。我观察到的一轮里： Jev 消除了 5 行，this-that 消除了 3 行。如果只看到这里，很容易得出结论：本地小模型还是不如 Jev。但我后来意识到，这种问题可能并不是 this-that 最擅长的形式。 2️⃣ 换成“二选一”后，结果反了 this-that 本质上是一个 typed decision model，更擅长候选明确、边界清楚的选择题。所以我把决策方式改成了淘汰赛： A 和 B，哪个落点更好？胜者进入下一轮，继续和其他候选位置比较，直到选出最终落点。换成这种模式后，我观察到的一轮结果变成了： this-that 消除了 7 行，Jev 只消除了 1 行。 this-that 的棋盘也更加平整，留下的空洞更少。模型没有变，游戏没有变。唯一改变的，是我向模型提问的方式。 3️⃣ 这个模型特别在哪里？ this-that-model-1.0 只有约 18.8 亿参数，采用 MIT License，可以下载到本地运行。它不写小作文，也不慢慢生成 Token。你给它当前状态、一个问题和几个合法选项，它通过一次前向计算直接返回：选择哪个 + 每个选项的概率因此它很适合任务分流、Skill 选择、队列判断、风险分级，以及 Agent 下一步动作这类高频决策。官方模型卡公布的 68 道决策题中，this-that 答对 64 道，准确率 94.1%；Jev 答对 52 道，准确率 76.5%。在概率校准指标上，this-that 的 Brier Score 是 0.042，Jev 是 0.133。数值越低，代表模型给出的概率与实际结果越接近。 4️⃣ 但这不代表 Jev 被全面打败了俄罗斯方块是一条连续决策链，前面一个方块放错位置，后面的棋盘状态就会完全不同。单局结果不能代表模型的完整能力。而且二选一虽然降低了每次判断的难度，却需要进行更多次模型调用，总延迟不一定更低。所以更准确的结论不是“this-that 全面强于 Jev”，而是： Jev 更适合某些信息丰富的综合比较；this-that 更适合高频、明确、封闭选项的结构化判断。这次实验真正让我感兴趣的是：未来的 Agent 可能不应该所有事情都找最强模型。高频、重复、答案明确的小判断，可以交给本地小模型；真正复杂的推理与生成任务，再交给 GPT、Claude 等大模型。有时候，决定结果的不只是模型大小。还包括：你有没有把问题问成它擅长回答的样子。因为这个模型够小，其实普通电脑也可以部署，大家有需要的可以看下这个开源模型的介绍，链接我放评论区了👇🏻

阿蔺A-Lin

22,001 Aufrufe • vor 15 Tagen

两个星期前，我的 Jev 股票交易员，把我交给它的 10 万美元做到了将近 21 万美元，基本翻倍，大幅跑赢同期 S&P 约 60% 的涨幅。今天又用 AWS 的本地模型 Strands Decider 2B，也就是亚马逊一个类似 Jev 的模型，重跑了同一段股票交易。结果只赚了 4 万美元，涨幅 39%。表现比 Jev 差不少，但速度比 Jev 还快。当然，本地跑也不用花钱买 token。 Strands Decider 是一个开源的 2B 参数决策模型，基于 Qwen3.5-2B，专门用于结构化判断，而不是生成长文本。它接收： - 一段状态描述 - 明确的问题 - 可选答案或评分标准然后返回概率、分类或分数，例如“买入/跳过”“持有/卖出”。它支持本地运行，使用 /v1/systemone API，在 Mac MPS 上单次判断约 0.35 秒。

两个星期前，我的 Jev 股票交易员，把我交给它的 10 万美元做到了将近 21 万美元，基本翻倍，大幅跑赢同期 S&P 约 60% 的涨幅。今天又用 AWS 的本地模型 Strands Decider 2B，也就是亚马逊一个类似 Jev 的模型，重跑了同一段股票交易。结果只赚了 4 万美元，涨幅 39%。表现比 Jev 差不少，但速度比 Jev 还快。当然，本地跑也不用花钱买 token。 Strands Decider 是一个开源的 2B 参数决策模型，基于 Qwen3.5-2B，专门用于结构化判断，而不是生成长文本。它接收： - 一段状态描述 - 明确的问题 - 可选答案或评分标准然后返回概率、分类或分数，例如“买入/跳过”“持有/卖出”。它支持本地运行，使用 /v1/systemone API，在 Mac MPS 上单次判断约 0.35 秒。

Michael Guo

11,812 Aufrufe • vor 6 Tagen

太爽了！终于找到了JEV的最强应用场景之一--全自动化 Browser use 我用JEV全自动填完 TypeSafe AI 的申请问卷，我只给它丢了一个完全陌生的网址，让它全自动帮我完整填完：38 秒一次性刷完 16 道题，全程没停顿、零人工干预具体的逻辑是：我看到 TypeSafe AI 文档里一句话很有启发：“将 AI 与可靠的软件相结合，这样就可以在后台无限次地运行该系统，而无需人工干预。” 所以JEV最强的应用场景之一就是做全自动化！很多自动化慢得像幻灯片，就是因为把流程控制、视觉和思考全堆给大模型，大模型要思考推理，根本不可能跑得快我的解法很简单：用 JEV 专职负责判断，再搭配一个高速小模型推理（我用的是DeepSeek V4.1 Flash）👇 比如这个问卷填写：遇到新页面，由 JEV 毫秒级快速判定“这里该做什么”（是勾选、点击还是提交）；一旦需要填空，由小模型（DeepSeek ）极速响应生成文字填进去，两者一结合，各司其职，不仅速度快到飞起，而且每一步都极其准确当然这只是一种思路，可玩性实在太大了，目前我还在测更多复杂场景，马上开源给大家！Diogo Almeida

太爽了！终于找到了JEV的最强应用场景之一--全自动化 Browser use 我用JEV全自动填完 TypeSafe AI 的申请问卷，我只给它丢了一个完全陌生的网址，让它全自动帮我完整填完：38 秒一次性刷完 16 道题，全程没停顿、零人工干预具体的逻辑是：我看到 TypeSafe AI 文档里一句话很有启发：“将 AI 与可靠的软件相结合，这样就可以在后台无限次地运行该系统，而无需人工干预。” 所以JEV最强的应用场景之一就是做全自动化！很多自动化慢得像幻灯片，就是因为把流程控制、视觉和思考全堆给大模型，大模型要思考推理，根本不可能跑得快我的解法很简单：用 JEV 专职负责判断，再搭配一个高速小模型推理（我用的是DeepSeek V4.1 Flash）👇 比如这个问卷填写：遇到新页面，由 JEV 毫秒级快速判定“这里该做什么”（是勾选、点击还是提交）；一旦需要填空，由小模型（DeepSeek ）极速响应生成文字填进去，两者一结合，各司其职，不仅速度快到飞起，而且每一步都极其准确当然这只是一种思路，可玩性实在太大了，目前我还在测更多复杂场景，马上开源给大家！Diogo Almeida

梭哈.AI

398,552 Aufrufe • vor 18 Tagen

真是炸裂啊！！拿到API后第一时间测试了一下！用来筛近7天AI热门新闻，信源来自卡兹克的AIHOT，接近2700条新闻，逐个判断，最后用时2min左右！！成本0.21美元！！发现Jev用在选题筛选、舆情分析上也是王炸！这个成本和速度，睥睨天下！！怎么想到的呢？？在判断和决策层，搞一个专精模型，这确实很刚需，很多场景都用的上！包括Codex 的 Computer Use，Jev前置做判断，肯定会有明显的速度提升！！

真是炸裂啊！！拿到API后第一时间测试了一下！用来筛近7天AI热门新闻，信源来自卡兹克的AIHOT，接近2700条新闻，逐个判断，最后用时2min左右！！成本0.21美元！！发现Jev用在选题筛选、舆情分析上也是王炸！这个成本和速度，睥睨天下！！怎么想到的呢？？在判断和决策层，搞一个专精模型，这确实很刚需，很多场景都用的上！包括Codex 的 Computer Use，Jev前置做判断，肯定会有明显的速度提升！！

沐阳

90,893 Aufrufe • vor 19 Tagen

最近 Jev 挺火，我拿它去 12306 查了趟动车票，看看这种浏览器 Agent 到底能不能干点日常的活。用的是 Browser Use 开源的 Jev Ultrafast，一个主打速度的浏览器 Agent，可以自己操作网页，完成你交给它的任务。我这次用 Pi + DeepSeek 跑的，消耗也挺低。看着它在浏览器里操作，最后把车次整理出来，还挺有意思。过程放视频里了⤵️

最近 Jev 挺火，我拿它去 12306 查了趟动车票，看看这种浏览器 Agent 到底能不能干点日常的活。用的是 Browser Use 开源的 Jev Ultrafast，一个主打速度的浏览器 Agent，可以自己操作网页，完成你交给它的任务。我这次用 Pi + DeepSeek 跑的，消耗也挺低。看着它在浏览器里操作，最后把车次整理出来，还挺有意思。过程放视频里了⤵️

Yanhua

64,660 Aufrufe • vor 19 Tagen

我回答你下这个问题，这个问题我也给我身边的好朋友多次解答了，详细的你可以看我发的这段语音，在这个市场上必须要找到自己合适的思路，如果找不到合适的思路又想做多，又想做空你最后赚不到一点钱，我的确可以多空双吃，我甚至可以精准的预判到跌到哪里会反弹，我回去抄底开多单，但是我是个空头，我多单拿不住，我大多数的钱都是做空赚的，我必须在这个市场上一直维持我的空头思维，所以我就算知道要大涨也拿不住，但是如果真的大跌了我可以拿得住，还敢加重仓，这样就会导致我在极端暴跌行情赚大钱，甚至精准的在底部抄底，但是空头思维，我就算做多了，还是会找机会做空，我对我自己已经很满意了，在这个市场上能赚钱就已经知足了，所以我是不会改变我的思维模式，如果我一旦改变我的思维模式，我怕以后我赚不到钱

我回答你下这个问题，这个问题我也给我身边的好朋友多次解答了，详细的你可以看我发的这段语音，在这个市场上必须要找到自己合适的思路，如果找不到合适的思路又想做多，又想做空你最后赚不到一点钱，我的确可以多空双吃，我甚至可以精准的预判到跌到哪里会反弹，我回去抄底开多单，但是我是个空头，我多单拿不住，我大多数的钱都是做空赚的，我必须在这个市场上一直维持我的空头思维，所以我就算知道要大涨也拿不住，但是如果真的大跌了我可以拿得住，还敢加重仓，这样就会导致我在极端暴跌行情赚大钱，甚至精准的在底部抄底，但是空头思维，我就算做多了，还是会找机会做空，我对我自己已经很满意了，在这个市场上能赚钱就已经知足了，所以我是不会改变我的思维模式，如果我一旦改变我的思维模式，我怕以后我赚不到钱

凉兮大元帅（白虎已上环已结扎）

265,196 Aufrufe • vor 1 Jahr

Jev 我已经在 Pi Agent 里真正跑起来了🔥 我这次测试的重点不是测试分类，而是看它能不能参与真实的多工具决策：Pi 负责执行工具，Jev 根据当前 State 决定下一步该做什么我正常跑了Git 修改、测试失败 3 个场景，Jev 都能根据状态动态改变调用路径，失败时还会主动增加 inspect_failure，而不是机械走固定流程。 13 次调用，3/3 跑通，平均延迟约 683ms。中间第三次调用出现了失败，然后又做了进一步的调整，最后还是完成了目标从这个结果角度来看，我希望把 skill 和 MCP 判断的能力交给其他的低端模型去完成，主模型只要去完成业务相关的内容，像工具使用或者结果类型判断，交给一些专门模型处理

Jev 我已经在 Pi Agent 里真正跑起来了🔥 我这次测试的重点不是测试分类，而是看它能不能参与真实的多工具决策：Pi 负责执行工具，Jev 根据当前 State 决定下一步该做什么我正常跑了Git 修改、测试失败 3 个场景，Jev 都能根据状态动态改变调用路径，失败时还会主动增加 inspect_failure，而不是机械走固定流程。 13 次调用，3/3 跑通，平均延迟约 683ms。中间第三次调用出现了失败，然后又做了进一步的调整，最后还是完成了目标从这个结果角度来看，我希望把 skill 和 MCP 判断的能力交给其他的低端模型去完成，主模型只要去完成业务相关的内容，像工具使用或者结果类型判断，交给一些专门模型处理

小墨同学

34,676 Aufrufe • vor 20 Tagen

这两天关于 Jev 这个模型的热度非常之高，甚至可以说是近半年我重点关注了英推以来，看到的原创内容密度最高的一次。正好我过去一年一直在跑一个小项目，其中有一个环节就是要对每天出版的《人民日报》上的新闻做一个分类，判断每一篇文章中是否包含有湖北相关的元素。一年跑下来，积累了接近 2 万 4 千条数据，其中判定包含的有 1800 条左右。在这些数据的基础上，我随机筛选了一个测试数据集，其中包含了 500 条判定包含的内容，以及 500 条判定不包含的内容。之前我使用的模型一直是 Gemini 的 Flash Lite 系列，也算是经过测试后成本和速度双重考虑下的最佳选择。今天 OpenRouter 上线了这个 Jev 之后，我用同样的提示词做了一个小 Demo 做了一下对比测试，下面这个视频就是同时并发 16 个进程的实录效果。不得不说，测试出来的结果超出预期很让人惊喜啊。首先，速度是真快！相对于 Gemini Flash Lite 单篇文章 3 秒的平均耗时，Jev 把单篇耗时缩减到了 0.35 秒。这个接近 10 倍的速度提升，真的是实现了质的飞跃，带了很多新场景的想象空间。其次，质量也真不错！和 Gemini Flash Lite 的分类结果相比对，Jev 大概在 15% 左右的内容上出现了判断不一致的情况。但经过我的手动审核，大部分都是因为人名而导致判断差异。例如某位此前在湖北省任职过的官员姓名出现在了新闻中时，Flash Lite 因为知识库比较大，会将其判断为包含，而 Jev 在这块上面会弱一点，因此判定为了不包含。在我的实际应用场景中，这种判断差异完全可以接受。最后，价格也是真便宜啊！看了一下 OpenRouter 的账单，前前后后大概跑了 5 千条数据，30M Token，总共开销也就 1 美元！这个性价比，还要什么自行车！总之，我个人觉得 Jev 代表的分类器大模型的确是一个非常有前景的发展方向，甚至可以说是在分类场景下实现了速度/质量/价格的不可能三角，有类似需求的朋友真的可以好好考虑一下。就分享到这了，我得连夜用它去优化生产项目了。

这两天关于 Jev 这个模型的热度非常之高，甚至可以说是近半年我重点关注了英推以来，看到的原创内容密度最高的一次。正好我过去一年一直在跑一个小项目，其中有一个环节就是要对每天出版的《人民日报》上的新闻做一个分类，判断每一篇文章中是否包含有湖北相关的元素。一年跑下来，积累了接近 2 万 4 千条数据，其中判定包含的有 1800 条左右。在这些数据的基础上，我随机筛选了一个测试数据集，其中包含了 500 条判定包含的内容，以及 500 条判定不包含的内容。之前我使用的模型一直是 Gemini 的 Flash Lite 系列，也算是经过测试后成本和速度双重考虑下的最佳选择。今天 OpenRouter 上线了这个 Jev 之后，我用同样的提示词做了一个小 Demo 做了一下对比测试，下面这个视频就是同时并发 16 个进程的实录效果。不得不说，测试出来的结果超出预期很让人惊喜啊。首先，速度是真快！相对于 Gemini Flash Lite 单篇文章 3 秒的平均耗时，Jev 把单篇耗时缩减到了 0.35 秒。这个接近 10 倍的速度提升，真的是实现了质的飞跃，带了很多新场景的想象空间。其次，质量也真不错！和 Gemini Flash Lite 的分类结果相比对，Jev 大概在 15% 左右的内容上出现了判断不一致的情况。但经过我的手动审核，大部分都是因为人名而导致判断差异。例如某位此前在湖北省任职过的官员姓名出现在了新闻中时，Flash Lite 因为知识库比较大，会将其判断为包含，而 Jev 在这块上面会弱一点，因此判定为了不包含。在我的实际应用场景中，这种判断差异完全可以接受。最后，价格也是真便宜啊！看了一下 OpenRouter 的账单，前前后后大概跑了 5 千条数据，30M Token，总共开销也就 1 美元！这个性价比，还要什么自行车！总之，我个人觉得 Jev 代表的分类器大模型的确是一个非常有前景的发展方向，甚至可以说是在分类场景下实现了速度/质量/价格的不可能三角，有类似需求的朋友真的可以好好考虑一下。就分享到这了，我得连夜用它去优化生产项目了。

李不凯正在研究

18,658 Aufrufe • vor 19 Tagen

谁能想到Jev 居然输给了一个 1.88B 本地开源模型🔥 结果真的有点让我意外：我做了一个贪吃蛇决策游戏 Jev 30:28 险胜，但是换成同一组 68 道决策题，本地模型准确率直接做到 94.1%，Jev 只有 76.5% 一个错了 4 道题，一个错了 16 道题我本来只是想测试一下 “小模型决策能力怎么？”，结果我抽完发现，小模型虽然小但是准确率一点也不低。 1️⃣ 先说我是怎么测的双方使用完全一样的 12×12 棋盘、随机种子、碰撞过滤和路径规划器，只有遇到多个方向都能走的时候，才把选择交给模型。最后 Jev 吃到 30 个食物，跑满 256 步本地模型吃到 28 个，在 239 步被困住。如果单看这一局的成绩，肯定是Jev 赢了。但是贪吃蛇只是某一步选错以后，后面整条路线都会变，所以我又补了固定的 68 道决策题。结果 this-that-model-1.0 答对 64/68，94.1%；Jev 是 52/68，76.5%。 Brier Score 也分别是 0.042 vs 0.133，本地模型给出的概率和真实结果更贴近 2️⃣ 这个模型最离谱的地方，是它只有 1.88B this-that-model-1.0 是一个开源的结构化决策模型，MIT License，可以直接在 Mac 本地跑它和 Jev 的思路其实很像：不给你写小作文，也不慢慢吐 Token 给它当前状态、一个问题、几个候选答案，它一次前向直接返回：选哪个 + 每个选项的概率。所以任务分流、选 Skill、队列选择、标签判断、Agent 下一步动作这种事情，都很适合我在 M4 上直接用 MPS + FP16 跑，不需要 API Key，也没有网络请求不同任务中位延迟大概 225～475ms，Snake 实战中位 475ms，平均约 492ms 一个 1.88B 模型，在 Mac 上已经可以做到亚秒级决策。这个我觉得挺夸张 3️⃣ 我又单独测了 105 道空间决策题总准确率 84.8%，随机基线只有 34.3% 其中 Snake 状态题、行列文字状态都是 100%，JSON 状态也有 94.4%。而且输出特别干净。没有 JSON 少个括号，也不会突然给你解释人生，只会老老实实从候选答案里面选一个，再把概率交给程序对于 Agent 来说，这种“无聊”反而挺值钱。 4️⃣ 当然它也不是万能的完整地图测试只有 60.7%，最短路径距离题更是掉到 28.6% 一旦任务需要真正的多步图搜索、连续计算，它就明显不行了所以这次结果也不能简单理解成： 1.88B 打败 Jev 贪吃蛇单局上是 Jev 赢了，而且 Jev 这次没有保存同条件延迟数据，速度也没法公平比较真正让我感兴趣的是另一件事：很多 Agent 里面那些高频、重复、答案明确的小判断，可能根本没必要每次都调用一个大模型，甚至连云端 Jev 都不一定需要。一个 1.88B、本地运行、一次前向就结束的模型，已经可以完成绝大多数简单的决策了。一些无关痛痒的简单的决策都可以交给这种小的本地模式、遇到复杂的任务再交给 GPT、Claude这样的大模型可能会更适合。我现在越来越觉得，未来 Agent 不一定是“所有事情都找最强模型”。更可能是：小模型负责做大量的决策，大模型才是真正的为了我们的工作服务。如果你们感兴趣也可以部署一下，再偷偷地补充一句这个可是很牛的牛津团队开源的：

谁能想到Jev 居然输给了一个 1.88B 本地开源模型🔥 结果真的有点让我意外：我做了一个贪吃蛇决策游戏 Jev 30:28 险胜，但是换成同一组 68 道决策题，本地模型准确率直接做到 94.1%，Jev 只有 76.5% 一个错了 4 道题，一个错了 16 道题我本来只是想测试一下 “小模型决策能力怎么？”，结果我抽完发现，小模型虽然小但是准确率一点也不低。 1️⃣ 先说我是怎么测的双方使用完全一样的 12×12 棋盘、随机种子、碰撞过滤和路径规划器，只有遇到多个方向都能走的时候，才把选择交给模型。最后 Jev 吃到 30 个食物，跑满 256 步本地模型吃到 28 个，在 239 步被困住。如果单看这一局的成绩，肯定是Jev 赢了。但是贪吃蛇只是某一步选错以后，后面整条路线都会变，所以我又补了固定的 68 道决策题。结果 this-that-model-1.0 答对 64/68，94.1%；Jev 是 52/68，76.5%。 Brier Score 也分别是 0.042 vs 0.133，本地模型给出的概率和真实结果更贴近 2️⃣ 这个模型最离谱的地方，是它只有 1.88B this-that-model-1.0 是一个开源的结构化决策模型，MIT License，可以直接在 Mac 本地跑它和 Jev 的思路其实很像：不给你写小作文，也不慢慢吐 Token 给它当前状态、一个问题、几个候选答案，它一次前向直接返回：选哪个 + 每个选项的概率。所以任务分流、选 Skill、队列选择、标签判断、Agent 下一步动作这种事情，都很适合我在 M4 上直接用 MPS + FP16 跑，不需要 API Key，也没有网络请求不同任务中位延迟大概 225～475ms，Snake 实战中位 475ms，平均约 492ms 一个 1.88B 模型，在 Mac 上已经可以做到亚秒级决策。这个我觉得挺夸张 3️⃣ 我又单独测了 105 道空间决策题总准确率 84.8%，随机基线只有 34.3% 其中 Snake 状态题、行列文字状态都是 100%，JSON 状态也有 94.4%。而且输出特别干净。没有 JSON 少个括号，也不会突然给你解释人生，只会老老实实从候选答案里面选一个，再把概率交给程序对于 Agent 来说，这种“无聊”反而挺值钱。 4️⃣ 当然它也不是万能的完整地图测试只有 60.7%，最短路径距离题更是掉到 28.6% 一旦任务需要真正的多步图搜索、连续计算，它就明显不行了所以这次结果也不能简单理解成： 1.88B 打败 Jev 贪吃蛇单局上是 Jev 赢了，而且 Jev 这次没有保存同条件延迟数据，速度也没法公平比较真正让我感兴趣的是另一件事：很多 Agent 里面那些高频、重复、答案明确的小判断，可能根本没必要每次都调用一个大模型，甚至连云端 Jev 都不一定需要。一个 1.88B、本地运行、一次前向就结束的模型，已经可以完成绝大多数简单的决策了。一些无关痛痒的简单的决策都可以交给这种小的本地模式、遇到复杂的任务再交给 GPT、Claude这样的大模型可能会更适合。我现在越来越觉得，未来 Agent 不一定是“所有事情都找最强模型”。更可能是：小模型负责做大量的决策，大模型才是真正的为了我们的工作服务。如果你们感兴趣也可以部署一下，再偷偷地补充一句这个可是很牛的牛津团队开源的：

小墨同学

34,654 Aufrufe • vor 16 Tagen

给大家汇报下成绩，我用JEV做自动化智能交易，现在来看比其他Agent强太多了。这家伙累计交易114笔，胜率在30%左右，还没算持仓盈利的数据。我大概看了下，这家伙这轮行情一直做多，没有一个做空，所以后面还要观察会不会做空。最让我惊讶的是这家伙NEAR的2.7多单一直拿着，从来没有卖出过。还在继续测试，有啥新情况及时给打击说哈，越来越有意思了。

给大家汇报下成绩，我用JEV做自动化智能交易，现在来看比其他Agent强太多了。这家伙累计交易114笔，胜率在30%左右，还没算持仓盈利的数据。我大概看了下，这家伙这轮行情一直做多，没有一个做空，所以后面还要观察会不会做空。最让我惊讶的是这家伙NEAR的2.7多单一直拿着，从来没有卖出过。还在继续测试，有啥新情况及时给打击说哈，越来越有意思了。

比特币橙子Trader

58,469 Aufrufe • vor 19 Tagen

天下武功，唯快不破 JEV很好，但是我选择laya Laya是一套开源的结构化判断模型最大优势其实就是可以本地部署可以魔改训练比如BSC meme，我给他接了价格、曲线进度、流动性、买卖流、Top10 持仓、开发者持仓、聪明钱再套到一个meme早盘流量轮动的策略里边跑了一天，两个模型对比 jEV跑了200多笔，输17U Laya跑了312笔，胜7U 建议持续深耕高速决策模型还有很深的应用场景可以挖掘

天下武功，唯快不破 JEV很好，但是我选择laya Laya是一套开源的结构化判断模型最大优势其实就是可以本地部署可以魔改训练比如BSC meme，我给他接了价格、曲线进度、流动性、买卖流、Top10 持仓、开发者持仓、聪明钱再套到一个meme早盘流量轮动的策略里边跑了一天，两个模型对比 jEV跑了200多笔，输17U Laya跑了312笔，胜7U 建议持续深耕高速决策模型还有很深的应用场景可以挖掘

0x 哆啦A梦

19,075 Aufrufe • vor 15 Tagen

前两天看到有人分享用 Jev 找视频片段的思路，今天结合 Jev 和宝玉的 BaoCut，做了一个本地视频检索工具。输入一句话，就能从长视频里筛出相关片段。 BaoCut 负责字幕识别和视频导出， Jev 根据字幕判断： • 与检索意图有多相关 • 脱离上下文后，表达是否完整 • 内容是否有吸引力 • 是否真正包含想找的信息，而不只是关键词匹配拿自己的视频试了几轮，找得挺准，响应也快。

前两天看到有人分享用 Jev 找视频片段的思路，今天结合 Jev 和宝玉的 BaoCut，做了一个本地视频检索工具。输入一句话，就能从长视频里筛出相关片段。 BaoCut 负责字幕识别和视频导出， Jev 根据字幕判断： • 与检索意图有多相关 • 脱离上下文后，表达是否完整 • 内容是否有吸引力 • 是否真正包含想找的信息，而不只是关键词匹配拿自己的视频试了几轮，找得挺准，响应也快。

nicekate

14,778 Aufrufe • vor 17 Tagen

Opus5.5做好这个动画后，我直接站起来了 😲 ✈️用了一天 Opus 5.5。一个感觉：快，非常快。几乎不怎么“思考”，但就是丝滑，出活还真挺好。我随手在记事本上画了个 Opus5，它直接给我整成了一个达里奥 VS 奥特曼的 3D 精美动画。 🔥 奥特曼，吃我一拳。更有意思的是，这不是我认真做的项目，真的就是随手画一下 → 生成动态动画。我顺手把这套流程封成了一个 Skill。我现在越来越觉得，最值得研究的，其实不是通用聊天 Agent，而是这种带专业技能、拿来就能干活的 Agent。下面这个视频，就是我用视频 Agent 轻松做出来的。👇

Opus5.5做好这个动画后，我直接站起来了 😲 ✈️用了一天 Opus 5.5。一个感觉：快，非常快。几乎不怎么“思考”，但就是丝滑，出活还真挺好。我随手在记事本上画了个 Opus5，它直接给我整成了一个达里奥 VS 奥特曼的 3D 精美动画。 🔥 奥特曼，吃我一拳。更有意思的是，这不是我认真做的项目，真的就是随手画一下 → 生成动态动画。我顺手把这套流程封成了一个 Skill。我现在越来越觉得，最值得研究的，其实不是通用聊天 Agent，而是这种带专业技能、拿来就能干活的 Agent。下面这个视频，就是我用视频 Agent 轻松做出来的。👇

实践哥 Li

24,060 Aufrufe • vor 14 Tagen