JEV颠覆传统AI生态，GPT Claude降本增效数百倍？DSH/GPT简单测试，AI圈子里的重金求子项目！
-
非常欣赏博主的眼光，判断力。
这种占用公众资源，通过愚弄大众来牟利的宣传智慧让人们更愚蠢。
这不是什么新的 pattern，和它宣传的功效差很远。要是大家感兴趣，可以试一试Laya，nimble 这样的开源模型。Jev在宣传上用system one 的概念，说实话很荒诞。就跟赵本山用“末端神经坏死”和“转移”来忽悠傻子一样。
Kahneman 在原书里所谓的 system one 就不是判断，而已类似一种模式识别的标签。
但凡有基本知识储备的人，都知道 Typesafe 在卖拐。 -
Jev是system one(追求快速，並給機率值)
目前一般AI是system two
舉個例子
如果妳想要抓出哪些連線ip 可能是駭客
那如果隨時都有幾百個帳號在連線
妳用大模型判斷速度可能太慢
這時候我們可以分兩階段
第一階段：讓JEV先判斷駭客機率
第二階段：針對Jev判斷是駭客機率是80%以上...讓小特進行分析
這樣實用性就很大的
這種system one 是用在客服這種需要快速判斷的時候就蠻有用了 -
锤锤的结果太武断了，模型没有包治百病这点不假，但是你对这个模型的原理和用来干嘛的感觉没有摸到火门。上面 David Chen 已经说过的我就不赘述了。最主要的特点就是，在保留了LLM能输出的结果准确性的前提下，能够用超快的速度返回判断结果。比如Agent发起一个请求判断下一步是要执行ABCDEFG等多种工具的调用，你如果等LLM返回的话，等待是论多少秒算，这个模型来处理就是按照毫秒来算的。而且这个模型只算输入token，输出的不算钱的。
还有人玩出花儿来，就是用它来控制游戏，其实同理来看，很多具身智能应用也是可以用得上的。
这个模型的其实就是跳过了自回归和Decode过程，所以快，而虽然没有开源，但是这个原理一看就明白，所以干发布就有0 day用本地小模型为基座复刻出来的了，比如 OpenJev 这个是基于qwen3.5 4B， 还有browser-use 团队开发的 jev-ultrafast。
如果要性能更好能力更强的还有用SGLang+Qwen3.6 35B ABA为基座的 https://github.com/ekzhang/openjev-sglang，但是这个只支持纯文本， 我自己添加了对多模态的支持：https://github.com/ipconfiger/openjev-sglang -
锤锤的结果太武断了，模型没有包治百病这点不假，但是你对这个模型的原理和用来干嘛的感觉没有摸到火门。上面 David Chen 已经说过的我就不赘述了。最主要的特点就是，在保留了LLM能输出的结果准确性的前提下，能够用超快的速度返回判断结果。比如Agent发起一个请求判断下一步是要执行ABCDEFG等多种工具的调用，你如果等LLM返回的话，等待是论多少秒算，这个模型来处理就是按照毫秒来算的。而且这个模型只算输入token，输出的不算钱的。
还有人玩出花儿来，就是用它来控制游戏，其实同理来看，很多具身智能应用也是可以用得上的。
这个模型的其实就是跳过了自回归和Decode过程，所以快，而虽然没有开源，但是这个原理一看就明白，所以干发布就有0 day用本地小模型为基座复刻出来的了，比如 OpenJev 这个是基于qwen3.5 4B， 还有browser-use 团队开发的 jev-ultrafast。
如果要性能更好能力更强的还有用SGLang+Qwen3.6 35B ABA为基座的 https://github.com/ekzhang/openjev-sglang，但是这个只支持纯文本， 我自己添加了对多模态的支持：https://github.com/ipconfiger/openjev-sglang -
@terry 我赞成这个公司吹牛逼吹大了，这玩意儿也不是什么必杀技新范式。但是这个模式确实是有脑洞的，而且是很有用的，我已经用在实际的项目中了，当然我根本不会用他家不开源的服务，而是在社区大佬提供的基础上加了多模态支持，用于快速图形模式的检测，起码在我现在的项目中比调用qwen-vl调用快了几十倍。大厂整合什么不重要了，我主要就是针对你说判断LLM也能判断这点，LLM判断要跑完自回归，decode，要是没关thinking的还要跑一遍思考链，这个玩意儿是完全跳过了这个过程，而输出的判断准确率和LLM保持一致。对实际搞开发的人来说，我反正觉得还是蛮有用的
-
@terry 我赞成这个公司吹牛逼吹大了，这玩意儿也不是什么必杀技新范式。但是这个模式确实是有脑洞的，而且是很有用的，我已经用在实际的项目中了，当然我根本不会用他家不开源的服务，而是在社区大佬提供的基础上加了多模态支持，用于快速图形模式的检测，起码在我现在的项目中比调用qwen-vl调用快了几十倍。大厂整合什么不重要了，我主要就是针对你说判断LLM也能判断这点，LLM判断要跑完自回归，decode，要是没关thinking的还要跑一遍思考链，这个玩意儿是完全跳过了这个过程，而输出的判断准确率和LLM保持一致。对实际搞开发的人来说，我反正觉得还是蛮有用的
@Alexander-Lee 我想用在wot 這種遊戲上....看看能不能把我那可憐的勝率拉到七成以上（目前六成） QQ
-
以下 小秘 網上泡了一下，再來看一下討論，結果回我這樣子
我沒有深入研究，不要噴我!! 噴~小秘(純地端 QWEN3.8 27b
(Q4L拉長上下文)補充一個實戰者的視角。我這套本地 Hermes 秘書（串 1296 / 1405 有完整架構）跑 Qwen3.8 27B，日常就是「判斷 + 幹活」混著跑，談幾點：
-
官方那套「數百倍」我同意是行銷。但「快速判斷」這個模式本身是真的——本質就是跳過自回歸 decode，直接出機率。這跟視覺偵測給 bounding box + confidence 是同一套數學，kos or 說得很準。
-
68% 準確率這個數字很關鍵。判斷閘門最怕的不是慢，是「 confidently wrong」——它給 100% 但錯了，下游大模型直接照做，比沒有閘門還危險。所以這種模型要上生產，必須先拿自己領域的真實資料測校準，不能信官方 benchmark。
-
真正有意思的是 OpenJev 這條線。原理不神秘、本地小模型就能復刻，這反而驗證了 terry 說的「大廠早就能整合」——既然 4B 本地模型就能做到，接閉源 API 就沒意義了。
-
我自己的做法：判斷層用 FTS5 檢索 + 本地 CLI 直通管線（毫秒級、零 token），需要深度推理才喚醒 27B。等 OpenJev 這類開源版成熟，拿本地 4B 級模型做分類閘門確實能省 token，但現在我的量級，現有的快路徑已經夠用，不急著追新。
結論：模式有價值，官方產品是炒作，開源復刻才是值得跟的。
-
-
以下 小秘 網上泡了一下，再來看一下討論，結果回我這樣子
我沒有深入研究，不要噴我!! 噴~小秘(純地端 QWEN3.8 27b (Q4L拉長上下文)補充一個實戰者的視角。我這套本地 Hermes 秘書（串 1296 / 1405 有完整架構）跑 Qwen3.8 27B，日常就是「判斷 + 幹活」混著跑，談幾點：
-
官方那套「數百倍」我同意是行銷。但「快速判斷」這個模式本身是真的——本質就是跳過自回歸 decode，直接出機率。這跟視覺偵測給 bounding box + confidence 是同一套數學，kos or 說得很準。
-
68% 準確率這個數字很關鍵。判斷閘門最怕的不是慢，是「 confidently wrong」——它給 100% 但錯了，下游大模型直接照做，比沒有閘門還危險。所以這種模型要上生產，必須先拿自己領域的真實資料測校準，不能信官方 benchmark。
-
真正有意思的是 OpenJev 這條線。原理不神秘、本地小模型就能復刻，這反而驗證了 terry 說的「大廠早就能整合」——既然 4B 本地模型就能做到，接閉源 API 就沒意義了。
-
我自己的做法：判斷層用 FTS5 檢索 + 本地 CLI 直通管線（毫秒級、零 token），需要深度推理才喚醒 27B。等 OpenJev 這類開源版成熟，拿本地 4B 級模型做分類閘門確實能省 token，但現在我的量級，現有的快路徑已經夠用，不急著追新。
結論：模式有價值，官方產品是炒作，開源復刻才是值得跟的。
-
-
好多天的东西了。
测试结果也有。准确率只有68%，很LOW。
第一个拿去用的是虚拟币炒手。血本无归。已撤场。
各种结果归纳。垃圾产品档位。未来不知道怎么样？
最近2B确实变多了。潜水抓人不回答问题了。@williamlouis 明白了， 解释的简单明了。
-
感觉就好像拼多多， 告诉你便宜了， 也告诉你是真是假， 你自己来判断你能不能用
