Jev 正式发布:面向决策的 System One 模型
TypeSafe 创始人 Diogo Almeida 介绍 Jev、RLCD 训练方法,以及面向软件决策场景的模型定位。原帖附有 2 分 56 秒发布视频。
THE JEV GUIDE · 精选版
把 TypeSafe Jev 的发布消息、原理解释、产品演示和社区项目按主题整理,每条内容都回链到 X 原始来源。
精选内容 · 并非完整收录 · 手动更新845
精选帖子
542
原帖视频
01 / 探索内容库
当前显示 845 条内容
0 表示暂时还没有已核验帖子
TypeSafe 创始人 Diogo Almeida 介绍 Jev、RLCD 训练方法,以及面向软件决策场景的模型定位。原帖附有 2 分 56 秒发布视频。
Jev 不生成自由文本。Diogo 用一段对比视频说明并行决策模型与逐字生成模型在任务形态上的差别。
发布线程继续解释 code + AI 的工作流评测,并给出当时的输入价格及免费输出说明。
发布线程展示游戏场景中的实时决策效果。Diogo 说明演示约每秒调用 10 次 Jev,并附有 2 分 43 秒视频。
让模型在数百到数千个链接中选择下一步,用游戏方式展示决策速度与约束输出的效果。原帖附有 4 分 04 秒视频。
Diogo 在发布线程末尾给出官方技术博客与早期访问入口,适合继续核对模型原理和产品说明。
TypeSafe 官方账号宣布结束隐身开发阶段,邀请开发者通过官网申请体验 Jev,并引用创始人的发布帖。
TypeSafe 官方更新访问进度:已向一批候补用户发送邮件,并表示会继续放行更多申请者。
社区作者整理了从申请访问到安装 TypeSafe Agent Skill 的步骤,为首次尝试 Jev 的开发者提供入门线索。
社区作者整理当时可确认的 Jev 项目,帮助已经获得 API 访问权限的开发者寻找实践方向。
开发者分享了 typesafe-security-review 项目:把 Jev 的概率判断与代码图、OWASP/CWE 信息结合,用于低成本安全扫描。
Kevin Zhang 邀请 Jev 等待名单上的用户回复想构建的内容,以便获取访问权限。
Nathan Flurry 表示 Jev 不替代 GPT 或 Claude,而是一种极智能的 switch 语句,能让许多工作负载变得极快、便宜且准确。
作者分享了一段 45 秒的 Jev 总结视频,认为其核心思想简洁,但原视频不易理解。
开发者用 Jev 判断买入或卖出,并借助 Monad 在 Kuru 链上订单簿每 300 毫秒区块执行真实交易。 链接
用户给 Jev 提供数百个常用英语单词和标点符号,让它从中选择来表达内容,展示 Jev 在文本生成之外的选择式表达能力。
Gregor Zunic 展示 Browser Use 与 Jev 结合的开源浏览器智能体,搜索航班仅需 7 秒、成本 0.0039 美元,采用每步新动作空间、DOM 状态空间和小模型回退输入。
Scott Williams 预测,使用自定义 Jev 风格模型(并行约束解码)可让企业现有智能体系统更省 token,并可能因此诞生百万富翁。
初步基准测试显示,Jev 在 3D 环境中并行运行 500 个实时智能体,平均延迟 500ms,每秒 35 次 API 调用,且为朴素实现。
作者构建了一个系统,通过 Jev API 向 150 个虚构人设各发送 12 个问题,询问其产品采用意向。实际成本 1.8 日元,耗时约 5 秒,速度足够快但包含延迟。
开发者用TypeSafe Jev让魔方自行还原,采用初学者方法,94步完成,接近人类解法而非22步最优解;Jev非LLM,约250ms给出概率答案。
用户通过语音与 Jev 交互,转录文本发送给 Jev 后约300ms返回概率,浏览器随即执行点击,每次决策成本约0.0002美元。
用户分享用 Jev 审查真实 PR 的体验:粘贴 diff 后单次调用 TypeSafe AI,返回 14 项类型化检查(如硬编码密钥、SQL 等)的概率结果,并称成本远低于 Claude。
Unclutter 是一款开源免费的智能广告与垃圾内容拦截器,使用 Jev 自动清理页面中的广告、Cookie 横幅、追加销售和烦人弹窗,支持自带密钥(BYOK)。
Jev 通过本地 CoreML 模型分割屏幕上的按钮和 UI 元素,并用设备端 OCR 读取标签,无需截图或 LLM 即可完成计算机操作。
Jev 以超人速度玩 Subway Surfers,并同时运行 50 款游戏,单次运行成本不到一美分。Jev 不替代 astra 或 fable 等 LLM,而是开启全新能力。
Jev 在 40 秒内拆解 37 个品牌的 724 条实时广告,覆盖钩子、格式、报价、CTA、认知阶段和落地页不匹配,仅消耗 9 美分 token,并将登陆 @stealads 与 MCP。
帖子介绍 Jev 通过模型路由和计算机使用等能力,让智能体运行更快、成本更低、更可靠。
Ian Nuttall 用 Jev 分析了 3,282 条 X 帖子(总浏览量 1 亿),消耗 4,252,330 tokens、花费 $0.1282、耗时 8 分 34 秒,每帖回答 8 个关于主题、钩子、语气等问题,发现教程类帖子中位点赞数为 150。
一个 PostgreSQL 扩展,通过单个函数 jev() 使用自然语言搜索整个数据库,无需索引或嵌入,约 1 秒内判断 129 行。
介绍 TypeSafe AI 推出的 Jev 模型,由 RLHF 共同创建者 Diogo Almeida 参与,强调它不生成文本,而是接收状态输入,属于不同于 ChatGPT 的新类型模型。
用户分享 Jev 的一个理想用例:即时上下文压缩。通过为每次工具调用打分并丢弃无关内容,Jev 可以让压缩不再依赖摘要提示。
Taro L. Saito 指出,像 Jev 一样,本地 LLM 引擎通过放弃文本/JSON 生成、专注于判断,在 DGX Spark 上实现了 40ms 推理,速度极快。
该教程讲解 Jev 是什么、如何基于它构建应用,并演示语音控制浏览器、AI 记忆和 YouTube 预测三个实例,附 API 设置步骤。
为 ClaudeCode 或 Codex 会话日志中的所有工具调用打分并移除不必要的调用,从而实现即时/紧凑功能。
Jev 与 SuperX 结合,约1秒内为每条帖子生成61个问题,成本约$0.0004。基于207位创作者的9,481条真实帖子训练,三分之二情况下能选出病毒式帖子,且不奖励回复诱饵。免费无需注册。
演示中 Jev 在《任天堂明星大乱斗》里同时控制四个角色进行自我对战,并在极短时间内决定最佳出招,整场比赛消耗超过 2200 万 token。
用户分享将 TypeSafe AI 的 Jev 模型作为 Claude 插件,用于审查不必要的工具调用,约 1 秒内将上下文从近 1M token 压缩到 86K。
一个不会聊天的模型 JEV 走红,它不写代码、不解释,只给出三种选择类响应,引发 AI 圈讨论。
JEV 联合创始人 @CompleteSkeptic 转发点赞,称这是使用 JEV 的正确方式,并提到在 Claude Code 中上下文填满时系统卡顿写摘要的痛点。
作者让 Jev 和 Claude Haiku 4.5 在相同方块序列和初始棋盘下比赛俄罗斯方块,看谁先消除 20 行,每次从最多 12 个落点中选择,响应后立即落块。
开发者分享了一个开源原型 Chrome 扩展,利用 Jev 实时监听 YouTube 音频、检测赞助片段并自动跳过,每段视频成本约 0.005 美元,采用 BYOK 模式。 链接
开发者用 TypeSafe 的 Jev 在 Mac 上实现语音控制电脑操作,口述指令后应用几乎在说完前就已打开。
作者表示自早期 ChatGPT 模型以来一直在等待类似 Jev 的产品,并预测未来一两个月将出现史上 MRR 增长最快的 SaaS。
作者尝试用 Codex+Jev 构建增强版 computer use,称为 Jev Use,称其比内置方案更快更流畅,性能大致相当。
用户分享使用 JEV 处理 700 条高意向线索和个性化外联消息,40 秒内预测每条消息表现、分配置信度分数并检测线索与消息错配,总成本 0.09 美元,还可用于线索评分和购买分析。
作者分享其 Jev 讲解视频观看量超百万,并被翻译成多种语言,甚至出现中文重制版。
Marcel Pociot 分享用 Jev 构建的 macOS 应用,可监控下载文件夹并按自定义规则自动重命名和归类文件,例如识别发票并移动到指定文件夹,全程无需其他 LLM 调用。
介绍 Jev 的接入步骤:加入等待名单并安装官方 skill,让智能体生成正确的调用。 链接
只需粘贴一个 URL,jev-1.13.0 会决定如何将原网站构建为原生移动应用,随后由 shipper 代为提交至应用商店。