How People Are Actually Using Jev

Jev 是我们很长时间以来遇到的最火的模型之一，这不是因为它只是另一个像 GPT-6、Opus 或 Fable 那样的 LLM。

它在本质上完全不同。

但正因为不同，最初它到底最适合用来做什么，并不那么清晰。

不过现在过了一个半星期，人们已经开始发现并分享各种使用场景，充分利用了 Jev 独特的地方。

今天我们打算聊聊其中最好的那些，以及它们对你来说可能有什么用。

AI Daily Brief 是一个每日更新的播客和视频，内容是关于人工智能领域最重要的新闻和讨论。

好了朋友们，开始之前先说几件小事。

还有一个快速通知。

我们马上要举办下一场免费的网络研讨会了。

主题是如何构建你自己的个人 AI 基准测试，这样当新模型出来时，你可以测试一下它对你来说有多好，以及它在你自己的 AI 栈中适合放在哪里。

这次还是由 Nufar Gaspar 主持。

完全免费，你可以在 aidailybrief.ai 上找到所有信息。

过去几周，AI 圈最火的新东西之一，就是一个叫 Jev 的新模型。

Jev 有意思的地方在于，它不只是另一个 LLM，拿来和 GPT-6 或 Opus 5.5 做同样的事，而是工作方式略有不同，并且正如我们将看到的，是互补的。

自发布以来的大约十天里，不仅仅是热度高——我在 X 上看到了几百条帖子，每条都有几百甚至几千个点赞和转发。

而且这股关注也转化成了巨大的财务机会，《The Information》报道说该公司正在谈判，以至少 100 亿美元的估值融资高达 10 亿美元。

相比于之前 2 亿美元估值下的 4000 万美元种子轮，这算是一个不小的飞跃。

但现在人们已经有机会实际上手 Jev，我想回过头来聊聊，除了社交媒体上那些酷炫的视觉和游戏演示之外，大家实际上是怎么用这玩意的？

基本上，Jev 是那种不是游戏设计师也不是开发者的普通人，也应该关注甚至考虑纳入他们更大的 AI 栈里的东西吗？

现在，回顾一下 Jev 是什么，我之前称它为判断模型。

Jev 做不到的是，以你通常认为的聊天机器人那种传统方式写作。

相反，构建 Jev 的 Typesafe 团队称之为系统 1 模型，这个说法来自 Daniel Kahneman 的《思考，快与慢》。

系统 1 思考是快速、本能的模式匹配，也就是快速判断，而 Jev 正是为此而生。

一个判断某个任务是否适合 Jev 的好方法是，你是否需要反复阅读某样东西，做出一个小判断，然后执行一个可预测的下一步。

比如，一个文件落在你的下载文件夹里。

现有软件可能有一个普通规则，把它归类为 PDF。

但 Jev 能更进一步，识别出它是不是一张发票？

对应哪个项目？

以及是否需要有人看它？

一旦做出判断，就可以按部就班地进入系统中的下一步。

你可以问Jev三种核心类型的问题。

第一种是选一个，或者Jev所谓的“choice”。

它会回答哪个选项更合适。

你可以列出最多255个选项，Jev能找到最匹配的那个。

举个例子，哪个小组应该处理这个工单？

是计费、技术支持、销售还是其他？

Jev模型会返回你选中的那个，同时还会给出每个选项的概率。

第二种可以问Jev的问题，他们叫“score”，也就是按等级打分。

你把每个等级用文字描述出来，等级从2到10个，然后Jev能判断某个东西落在哪个等级上。

比如，在从平静到非常愤怒的范围内，这个客户有多不满？

Jev会返回一个在这个范围内的位置，还会显示模型有多确定。

最后一种问题是是非题，Jev管它叫“null”，是Bernoulli的缩写，它只是回答：这是真的吗？

顺着这个客服的例子，这个人是不是明确要求退款？

你得到的是一个0到1之间的概率，表示这句话是真的程度。

X上的Stefan做了一个非常酷又简单的可视化，他在屏幕底部放了一堆表情符号，然后在文本框里输入：你可以输入分类器，比如“能穿戴的东西”或者“冬天能穿戴的东西”。

匹配的表情会浮到顶部，如果分类变了，它们就会掉下去。

所以在后台，每个表情都在回答同一个是非题：这个表情符合你输入的内容吗？

重要的是，没有人给表情符号做过标注或分类标签——这在传统机器学习里是必需的。

换句话说，对于“冬天”并没有一条明确的规则。

每个表情在同一时刻都在回答同一个问题：这个匹配吗？

如果你在看这个演示，你可能会意识到：因为Jev能做的事有限且具体，所以它能做得特别快。

Typesafe发布这个模型的时候说，和类似的LLM流程相比，它速度快20到200倍，成本低40到400倍。

现在，把这一堆表情符号想象成你的潜在客户、你的工单、你的文件或者其他一大堆没有区分的大量信息。

重要的是，你可以同时针对同一个项目问多个问题。

因为问题可以并行运行，问第9个或第10个问题不会花更多时间，只是多消耗一些token。

比如你有一封客户邮件。

你可能想同时问三个是非题。

客户是否生气？

他们是否收到了延迟回复？

他们遇到的是不是发错的商品？

这是三个独立的问题，每个问题都会有自己的概率。

在他们的测试中，Typesafe 发现，单次调用处理 13 个问题，比一次一个要便宜 12.2 倍，快 10 倍，而且得到的答案一模一样。

Matthew Berman 对 724 条在投广告做了一次分析，每条广告被问了 12 个问题。

有关于 hook 原型的，有关于格式的，有关于 offer 的，有关于 CTA 意图的，有关于 awareness 的，等等等等。

他发现，就那一条广告，单独一次请求处理这 12 个问题，只用了 173 毫秒就完成了。

而这才是这个模型真正的厉害之处。

它不仅擅长判断，而且它足够快、足够便宜，可以对每件事都进行提问和判断。

一百万个输入 token 只需要 4.2 美分，输出 token 完全免费。

而且每次调用的耗时在 70 到 500 毫秒之间，并且就像我们看到的那样，可以把一堆不同的问题合并到一次调用里。

现在重要的是，Jev 做了一些取舍，这使它擅长做它做的事情，但这也意味着它不会做某些事情。

它不会写代码，不会起草合同，也不会做出那种涉及各种无法量化和不明确因素的细微决策。

它会被用于大规模的小型判断。

哪个分类？

有多紧急？

相关吗？

安全吗？

那么接下来我们来谈谈，除了那些酷炫的演示之外，人们实际把 Jev 用起来的 6 种不同方式。

第一类是分析你已经拥有的东西。

第二类是按语义搜索。

第三类是对进来的内容进行分类分流。

第四类是根据你的规则检查工作。

第五类是加速 AI agents。

第六类是即时响应。

那我们进入第一类，分析你已经拥有的东西，也就是“这一堆里是什么”。

这基本上就是，你拿一个你已经有的集合，对每一个项目问 Jev 同样的问题，然后统计答案。

这种分析，以前用手工做根本划不来，但现在只需要几秒钟，成本只要几分钱。

其中一个例子就是我们刚提到的 Matthew Berman，他分析拆解了来自 37 个品牌的 724 条在投广告，识别出每一个 hook、每一个格式、每一个 offer、每一个 CTA。

这样做的目的是，拿到这些数据后，再跟真正跑出效果的广告做对比，给你提供关于广告效果极其深入、复杂且精细的信息，这在以前是极为困难的。

Berman 只用了 40 秒和 9 美分的 token，就拿到了那 724 条在投广告的完整拆解。

两天后，Berman 更进了一步，这次他不再只是泛泛地问那些问题，而是让 Jev 以 30 种不同的买家身份去浏览 723 条广告。

这些人物设定是像健身房老板、牙科诊所经理、带幼儿的妈妈，或者对AI好奇的工程师这样的典型角色。

Jev的任务是，对于每个广告里的每个买家，判断这个人会停下来看还是继续往下滑。

花0.22美元就获得了21690次停或滑的决定。

当然，这不算真正的数据。

这不是30个真实的买家。

只是AI设想出来的买家典型角色。

换句话说，最好把它看作一个假设生成器，但我们很难不想到，市场营销会转向把它作为关键环节，在花钱做真实测试之前，用它来压力测试广告或落地页的角度。

还有很多人把Jev用在整批存档上——不管是邮件存档、过去的X帖子、文档文件夹，还是研究项目的数据库。

在每种情况下，Jev做的事情都是问同样的几个问题，但针对存档中的每一个条目。

比如Ian Nuttall，让Jev对将近3300条他们以前的X帖子各问了8个问题——主题、钩子和语气——然后把这些数据与互动指标做对比，从而更清楚地了解什么内容真正有效。

顺便说一句，3300条帖子各问8个问题，成本大约是13美分。

那么，我们怎么尝试类似的事情呢？

基本上，你手头任何一大堆积数据——一年的客户邮件、CRM记录、会议记录文件夹——只要你能写几个简单的问题，并对所有查询运行它们，那就是Jev任务可能发挥作用的地方。

第二类是语义搜索。

换句话说，哪些内容符合我的意思？

这个想法是可以用大白话描述你要找的东西，然后让Jev检查每一个候选。

厉害之处在于，即使关键词不匹配，它也能找到你想表达的意思。

这方面有很多例子，基本上人们把它当作一种新的网站自然语言搜索方式。

a16z的Justine Moore举了个例子：扫描成千上万个Zillow房源，根据你通常无法筛选的条件对房产进行分类，比如建筑风格、翻新状况或是否靠近高速公路。

有一个例子特别吸引我，Burhan用一段90分钟的视频，能根据他用自然语言描述的主题来剪辑。

比如说，在那段90分钟的视频中，他可以查找并剪辑出他们预测AI何时会自动化AI研究的内容，而且在不到2秒内找到了好几处，花费不到2美分。

另一个例子是SEO审计，Borgia用Jev读取了他们网站的全部586个页面，重建了网站的内部链接地图，耗时45.1秒，花费21美分。

Claude Opus 5只读了21个页面，花了1.43美元。

Borgia解释说，内部链接是完美的Jev任务。

它不需要写作，而是8790次是或否的判断。

这个页面有真正的理由链接到那个页面吗？而且那个页面的锚文本是否已经存在于正文中？

这是一个分类问题，而我们之前一直花前沿模型的价钱，一页一页地做这件事。

语义搜索的最后一个子类别是根据你关心的内容来过滤阅读。

比如Robin Bilgil构建了一个实时的AI垃圾内容检测器。

当他们浏览X时，垃圾内容检测器会给出一个0到1的置信度分数，判断一条帖子是AI垃圾内容的可能性有多大，并屏蔽掉达到一定置信度的帖子。

不过，这种过滤功能其实可以用在很多不同的方面。

Elvis Sun 在 X 上举了个例子，他让 Jev 浏览 384 条早间新闻，然后识别出其中 15 个不同品牌应该关注哪些新闻。

这个任务花了 24.9 秒，费用是 19 美分。作为对比，在同样的时间里，Opus 5 只处理了 4 篇文章，剩下 380 篇没读。

Jev 的第三类使用场景是信息筛选分类。

换句话说，就是搞清楚这是什么，以及该把它放到哪里去。

人们正在尝试的问题包括：这封邮件有多重要？

这个下载的文件是发票吗？

这个链接是不是恶意的？

这个线索应该分给销售团队、让用户自助处理，还是继续培养？

有一个特别有趣的实验来自 Jonathan Unikowski。

他写道：每个邮件应用都按时间倒序显示收件箱。但如果改成按重要性实时排序呢？

这个场景下，Jev 的任务是给每封邮件评出重要性。在测试中，它用 453 毫秒评了 100 封邮件，花费大约十分之一美分，而且 Jonathan 说 Jev 的评分跟他自己的完全一致。

这个功能我现在就想要，不是明天。

实际上，我昨天就想用了，那些因为我还没回复而急得撞墙的人也一样。

还有一些人在尝试对每一条信息快速提出一个问题的模式。

Beyond Code 的 CTO Marcel Pocchio 写道：我做了一个 macOS 应用，它可以监控我的下载文件夹，并配合一套可自定义的规则。

下载的文件是发票吗？

如果是，就把它移到专门文件夹，并改好文件名。

整个过程没有调用其他大语言模型，只用 Jev。

DevEd 用 Jev 做实时聊天审核，在消息出现时就过滤掉脏话和负面评论。

短网址服务 Dubb 的 Steven Tay 把之前抓到的 1 万个恶意域名喂给 Jev，让它用这些标记免费短网址服务中的不良链接。

他写道：这个问题我们从第一天就在努力解决。

用了 Jev，两个小时就搞定了。

事实上，这种分类筛选在很多业务流程中都非常核心。

在一篇关于营销人员 10 个 Jev 用例的文章中，HumanX 把工作流决策列为其中之一，并说：大多数工作流最终都会遇到同一个问题：下一步该做什么？

那可能就是使用 Jev 的最佳场景。

Box 举了个例子，他们已经试过用 Jev 做事件分类，评估客户影响和严重程度，以及判断该升级到哪个团队。

Odoo CRM 有一个提议中的模块，对每个新线索问三个问题：优先级、购买意愿，以及是不是垃圾信息。

如果你只能选一个方向去探索的话——尤其是如果你在一家多人接触同样线索、客户或联系人的公司——那么我认为这种分类和路由功能，基本上从整合进系统的那一刻起，就会变得至关重要。

Jev 的第四类用例是：对照规则检查工作，也就是说，检查它是否符合规定。

一般的语言模型会问‘请审查这个’，但你可以把它变成具体的问题，然后对每一版草稿都问这些问题。

举个例子，LangChain 做了一个场景：每次都用同样的标准给 AI 智能体打分。

Harrison Chase 在 LangChain 中指出，Jev 非常适合做评估，尤其是在线评估，就是那种需要大量打分追踪的场景。

这乍一听可能更像是开发者用的东西，而不是公司里其他知识工作者用的。但考虑到我们大家都会越来越多地将智能体投入生产，或者管理已经存在的智能体——比如客服机器人、研究智能体等等——有一个更好的工具来构建评估系统，用于评判这些智能体的工作，这很可能成为核心基础设施。

Every 团队展示了如何使用这种能力，大规模、超快速地检查工作是否符合规则，从而改进 AI 写作。

他们在 12 段文字中故意埋了错误，Jev 抓到了 7 个中的 6 个，而 Claude 3.5 Sonnet 抓到了全部 7 个。

不过 Jev 在 0.35 秒内就抓到了 6 个错误，而 Claude 3.5 Sonnet 用了 8.83 秒。而且 Jev 的成本便宜了大约 580 倍，这意味着你可以反复运行同样的检查很多次，总成本更低、速度也更快，不需要用顶级模型来做同样的审查。

那你怎么真正把它变成能用的工具呢？

基本上，你需要把你写作规则的翻译过程走一遍。

假设你有一本风格指南，或者一份你永远不想看到的短语列表。

你可以把每个短语变成一个‘是’或‘否’的问题，然后对你下一篇长文档的每一段都问这些问题，这样就能确保你的关键稿件里没有 AI 风格或其他写作雷区。

我觉得这触及了 Jev 会带来的最大思维转变之一。

Jev 的独特价值不仅仅是能完成一件事。

而是能以如此大的规模完成这件事，以至于它变成了质的区别，而不是量的区别。

换句话说，真正能够逐句细致地检查 AI 风格，这跟对整个文档跑一次通用语言模型检查，完全是两码事。

第五类用例，很多人也在试验，坦白说它更偏向开发者领域，但我觉得为了完整性，还是值得讨论一下。

这些用例可以总结为‘加速你的 AI 智能体’，很大程度上跟过去几个月我们一直在聊的模型路由有关。

人们问的问题类似于：哪个模型能处理这个任务？

这一步需要多少推理？

这个请求匹配哪个技能（如果有的话）？

这个旧工具的输出还有用吗？

你看，在所有这些场景里，共同点是人们用这些小型的自动化微判断，把智能体路由到正确的智能层级、正确的上下文、正确的技能和工具，以便最高效地完成它的任务。

人们在任务前用 Jev 来选择模型。

我让它在 Codex 内部的任务执行过程中动态调整 GPT-6 reasoning 的投入程度。

卡住时多思考，常规步骤少思考。

在测试中，他们发现 Astra 成本降低了 50%，运行速度也更快了。

人们还用 Jev 来管理上下文窗口。

Daniel San 做了一个叫 Jev Skill Suggestion for Claude Code 的工具，它的机制是：每次请求，Jev 都会分类出哪个技能最匹配任务，然后只把那个技能注入到 Claude 的上下文里。

结果，Token 和成本都减少了 88%。

我知道很多以前不是开发者的人，现在已经对 Codex 和 Claude Code 这类工具非常熟练了，还建了很大的技能库。而这类基于 Jev 的工具，可能就是一种方法，让你不必在每次请求时都把所有库发给模型。

这里要提一点，虽然我们现在讨论的很多用例目前还只是个人实验，但你也会看到 Jev 和类似它的判断模型被直接内置到我们使用的工具和框架里。

比如 AJ Asper 写道，我们构建了一个基于 Jev 的新框架，把重复性工作的成本降低了 90%。

这个框架在运行过程中会学习任务，把步骤从大语言模型调用逐渐迁移到代码里。

他们举的例子是合规警报，并且逐批测量了每批警报的成本，每批包含 50 条合规警报。

一开始每条警报的成本大概是 2.95 美元，但到了第 1000 条警报时，成本就降到了只有 0.25 美元。

第六类 Jev 用例是关于即时响应的。

这个人现在到底想要什么？

很多人都在尝试这方面的各种版本。

Marcus Lowe 写道，如果复制粘贴能变聪明会怎样？

复制一份简历，粘贴到申请页面，字段自动填好。

X 平台上的 Norman 也做了类似的事，他把粘贴的文本拆开，判断每个字段是什么，进行匹配，再对照原文，最后只粘贴那些匹配确定的字段。

考虑到工作中很多内容就是把信息从一个格式（比如邮件、PDF、会议记录）挪到它该去的地方（比如客户管理系统、录入表单或模板），这确实是一类非常非常相关的用例。

另外，知道 Jev 在哪些地方有用，同样重要的是知道哪些地方你要小心使用。

我觉得需要更加谨慎的几个领域包括招聘、金钱和安全。

在招聘方面，你可以想象，如果收到一大堆申请，你可能忍不住想用 Jev 这类工具来给它们排序。

但问题在于，即使你给了它很好的标准，Jev 也只会返回一个数字，没有任何推理过程。

顺便说一句，这正好是一个例子，说明你可能需要构建一个更复杂的系统，结合多种类型的人工智能。

想象一下，你用 Jev 做同样的排序，然后自动让其他类型的大语言模型去复查，比如那些可能值得再看一眼的临界候选人。

实际上，Jev 的开发者 TypeSafe 也试图明确说明他们认为 Jev 不擅长什么。

他们列举的一些情况包括多步骤问题，这类问题每一步都会导致准确率下降。

他们指出 Jev 不太擅长计数、数学或日期——它能提取事实，但你得在其他地方做实际的计算。

他们还指出了其他一些问题，比如一致性问题以及解读意图的问题。

所以，如果你想判断某个任务是否适合用 Jev，四个标准可能会有帮助。

第一，你能提前写出答案。

想想分类、是或否这样的二选一、或者一个等级。

如果答案是一句话或者一个计算，那可能就不太适合 Jev 这种判断模型。

第二个标准是关于数量。

有一堆或一股数据流，比如几百个工单、几百封邮件之类的。

第三个标准是关于风险——如果答错了，代价很低，或者很容易发现。

基本上，虽然我把它叫做判断模型，但如果答错的后果严重，你不想完全依赖它的判断。

最后一个标准是，你能不能把需要的证据以文本形式输入，并且控制在三万两千个 token 以内。

一旦你找到了一个好任务，下一步就是写出好问题。

从这些不同例子里总结出的一些技巧，比如每个问题只做一个判断。

换句话说，一个不太好的问题就是：这个线索好不好？

因为这实际上不是一个判断。

而是把一大堆不同的判断揉在一个问题里了。

“好线索”可能指的是这个行业和你的服务匹配度有多高、公司规模是否适合你的目标客户、他们的购买意向有多强，等等等等。

基本上，你需要把问题拆分成它的各个组成部分。

如果你的问题涉及一个量表，你需要用文字描述这个量表的每个等级。

而且，你甚至可以充分利用 Jev 的量表功能，问比你认为需要的更多的问题。

最后，像所有 AI 工具一样，在真正放心投入生产使用之前，你需要做一些测试。

这可能会有点麻烦，但比如说，如果你用那个邮件分类器来按优先级整理东西，那不妨自己先标注 50 封邮件作为测试，看看它的结果和你的判断是否一致，确保它能按你的要求工作。

现在，在我们收尾的时候，我会把我正在讲解的这份演示文稿发到本集节目的配套网站上，网址是 aidailybrief.ai。

最后几页更偏向实操，针对六个用例领域中的每个项目都给出了一个具体想法，比如内容存档分析器、研究评级器、收件箱分类器、改写检查器等等。

里面还会有一个入门提示模板。

在 Jev 发布后的头十天里，我们从充满炒作和兴奋的概念阶段，极快地进入了真正有价值的实际应用场景。

然而，由于这本质上是一种新的基础能力——能够大规模、高速、几乎零成本地应用简单判断——我认为我们还需要一些时间来真正弄清楚，它能有多深入地嵌入到各种不同的用例中。

随着越来越多的案例出现，我会回来和大家分享其中最棒的。

不过今天，这期的 AI Daily Brief 就到这里了。

一如既往感谢大家的收听或收看，下次再见，peace。