start	end	text
0	27780	大家好,我是Kid。最近有個模型非常火,它的名字叫Jeff。它不是平常我們對話的那種大語言模型。它是由Type-Safe AI公司開發的一款模型。它的創始人曾經是在OpenAI工作,然後是XGPT的共同作者。Jeff特別適合無人職守的自動化,用它來打遊戲也非常好。我們可以通過這個視頻了解一下Jeff能幫我們做什麼。
27780	30040	如果是正常的大语言模型
30040	32740	它呢就会一个token一个token的
32740	33540	蹦出自来
33540	36380	花费时间8.5秒
36380	39140	那如果是JF呢
39140	41600	它就会给出几个选项
41600	44720	然后会给出知心度
44720	47320	花费时间0.1秒
47320	50780	如果是让它玩游戏
50780	52200	它呢是
52200	54960	就是由固定的几个操作
54960	57020	往上往右往前
57020	58540	还有Shopter
58540	59400	Jeff呢
59400	61820	他是能做一个选择
61820	62500	分类
62500	63540	评分
63540	64400	路由
64400	65780	不能去写诗
65780	66700	写代码
66700	69160	或者是一步步的推理
69160	70880	这视频做的还是非常好的
70880	72160	对于开发者来说
72160	73640	主要有三种可以设置
73640	75340	第一呢是choice
75340	76000	选择
76000	77240	从选项里选一个
77240	79300	第二是打分
79300	81040	然后第三是
81040	83560	判断陈述是否成立
83560	86340	它是0到1的一个真值的分数
86340	87740	一个请求里呢
87740	89080	可以混合多种问题
89080	92060	模型还可以并行去回答
92060	93120	官方的手法呢
93120	95920	就是把它当成软件里的智能的IF
95920	97540	路由打分器
97540	98600	JIF的速度呢
98600	100100	是非常非常快的
100100	102040	而且它的价格尤其的便宜
102040	103440	我掉落了200多次
103440	105400	花费了200分
105400	106520	而且Type Safe呢
106520	109680	现在还提供五刀的一个体验额度
109680	111780	所以我得花很长时间
111780	112360	才能把这个
112360	115020	才能把这个五刀的额度给使用出去
115020	118620	我们可以在TyperSafe里面去加入它的Whitlist
118620	120620	如果你特别着急的话
120620	123140	也可以通过OperRouter进行调用
123140	126460	或者是AI Gateway进行调用
126460	128720	它也登录了Cloud Flare的AI
128720	130960	所以是有多个路径可以调用它的
130960	132840	而且它非常有意思的是
132840	135480	它的输出Token是不收费的
135480	136620	官方给出的理由是
136620	139920	新的架构下输出便宜到不必寄费
139920	141520	这里就有一个例子呢
141520	143240	Verso的CTO做了一个测试
143240	148420	它呢对比调用Gem9 2.5 Flashlight来做分类
148420	150120	Gem9 2.5 Flashlight呢
150120	151900	它的API还是比较便宜的
151900	154640	而将Jeff和Gem9做一个对比
154640	155980	它的据确率更高
155980	157520	而且速度也更快
157520	158480	通过这张图
158480	159880	我们可以看到Jeff
159880	162900	它的质地程度是非常不错的
162900	165600	非常接近于Terra了
165600	167740	但是要比Terra便宜非常多
167740	170200	我们可以在Type-Safe官网右上角
170200	174280	点击他的加入waitlist来申请
174280	176120	现在就来看一下X上面
176120	179000	关于Jeff有哪些精彩的案例
179000	180660	Versal的CEO认为
180660	183240	把他们的FX安全审查
183240	184240	换成Jeff
184240	186080	对面GibT和Luna呢
186080	188340	Jeff的速度快到18倍
188340	189580	而且还更准确
189580	192360	把500封邮件发给Jeff
192360	195380	他仍在几秒内就帮你分类好
195380	197140	而且成本非常低
197140	198680	Boss CEO认为呢
198680	202000	企业里那些分类路由安全判断们
202000	203040	那现在有了Jeff
203040	205800	对大量的企业任务就意义巨大
205800	208020	有用户昨天刚打到权限
208020	211600	他就将Jeff集成到他们的数据管道里
211600	213980	实体识别情绪分析
213980	216080	把相关信号粘起来等等
216080	217880	他认为都非常惊艳
217880	222640	Jeff有一大应用就是他在浏览器方面的改进
222640	224960	这浏览器方面的例子
224960	227300	比如说七秒查机票
227300	229800	只花了0.0039刀
229800	230480	又快
230480	231500	质量又好
231500	233160	知名开源产品CV
233160	234680	它也是紧跟潮流
234680	236300	立即发了一个
236300	240180	和Jeff相关的跨系统计算机使用
240180	241600	叫Jeff Use
241600	243300	在玩2048的时候
243300	245080	Jeff的速度快了5倍
245080	247080	成本大约便宜1000倍
247080	248740	比Astra更高效
248740	251940	还有用户将Jeff和OpenCode结合起来
251940	252680	测试应用
252680	254320	测试的时候就发现
254320	257280	点按钮快到像是在看加速片
257280	262200	Jeff呢他在浏览器工作上是非常非常便宜的
262200	264020	比如说这样一位用户
264020	267100	他就分享浏览器忘记关了
267100	270620	那消耗了这么多token才花费不到七刀
270620	272240	Scode的作者呢
272240	276360	他用Jeff来控制iOS的模拟器
276360	278700	去建一个日历事件
278700	281460	我们会看到这边会写着
281460	281880	Taper
281880	284800	然后ScreenChanger
284800	286580	ScreenChanger
286580	287600	等等
287600	289640	还有用户喊话Sam
289640	292240	让Codex负责规划
292240	294940	Jeff负责从页面选择点谁
294940	297400	有用户他分享了一个点子
297400	300740	让Jeff去做及时的压缩
300740	302980	给每次2Core打分
302980	305020	然后丢掉无关的上下文
305020	308000	我们可以看一下这样的一个例子
308000	309800	绿色的就是留下的
309800	311180	红色的就是删去
311180	314820	也有用户还做了一个Jeff的review
314820	319240	给编码agent接上打分反馈还的一个mcp
319240	321220	不同的ai agent
321220	324640	然后review之后进行打分
324640	329240	给定他一个数值到了哪个程度
329240	330720	那就让他再去优化
330720	333940	有用户就直接做了一个crowd的插件
333940	339120	一秒就把绘画从近100万token上下无人长度
339120	341020	压缩到8.6万
341020	344700	这里展示压缩前后的一些情况
344700	345640	有兴趣的话
345640	346520	大家去看一下
346520	347940	Rosa的工程师呢
347940	349340	说每个Agent
349340	350540	Hannis呢
350540	352460	现在都能用上Jeff
352460	354980	通过这样的工具
354980	355880	也有用户呢
355880	357340	给OpenCode写了一个插件
357340	358960	自栏语言写规则
358960	359760	Jeff呢
359760	361220	拦住每一条道路
361220	362220	还有用户
362220	363600	使用Jeff呢
363600	365020	光速给提交
365020	366540	打安全补丁的标签
366540	367700	当然Jeff呢
367700	369340	来做意向调研
369340	370380	也是非常好的
370380	372080	比如说这样的一位用户
372080	373180	做的一个分享
373180	375420	也有用户花了8个小时
375420	378500	让Jeff做一个爆款帖分类器
378500	380740	他认为Jeff的准确率呢
380740	382800	和Fibber 5.1一样好
382800	384100	但是快了100倍
384100	385320	也有博主呢
385320	388840	让Jeff去分析自己的3000多条帖子
388840	391520	然后找出一些公式
391520	393920	最后这是推荐的主题
393920	395460	也有用户分享
395460	398040	我们可以通过Jeff呢
398040	399700	做一些规则匹配
399700	402400	就可以傻瓜式的
402400	404660	将一些文件进行分类了
404660	405780	还有用户呢
405780	408400	把Jeff接到自动驾驶的决策上
408400	409900	他认为Jeff
409900	412800	对自动驾驶的影响会非常大
412800	413960	一个用户呢
413960	416100	让Jeff像人一样
416100	417600	来复原一个魔方
417600	419360	他能在很快的时间内
419360	422040	来对这个魔方进行转动
422040	423760	视频里是放慢了
423760	425360	方便我们去看清楚
425360	426580	还有用户呢
426580	429340	他说他花了一周时间
429340	430920	才把PPO策略
430920	435020	训练到通关的超级马利奥世界里
435020	438180	这里的PPO是尽端策略优化
438180	441460	而Jeff他是花了30分钟就打通了
441460	444080	非常非常恐怖的一个效率
444080	446320	有用户就来畅想了
446320	449740	一个Jeff在云电脑上玩Minecraft
449740	452480	那如果想象1000个11个
452480	455460	每一个都在云端自己的电脑上协作
455460	459140	发现新科学 跑实验 设计新药
459140	460560	而且是全天候的
460560	464040	也有用户让Jeff做一些实时的广告拦截
464040	467620	比如说他做了一个插件
467620	469960	然后进入了一个网站
483960	485520	Baby AGI的作者呢
485520	486920	还用Jeff来抽图
486920	489000	我们可以看一下这里的demo
489000	490020	Fluss的作者呢
490020	492840	对Jeff非常非常认可
492840	494240	他认为以前很多场景
494240	495280	用大语言模型
495280	496640	是根本不成立的
496640	497920	今天大家也可以看到
497920	499980	我为什么梳理了那么多案例
499980	501660	实在是Jeff太优秀了
501660	503640	真的是有非常非常多
503640	506260	可以和我们现在的agent
506260	508200	结合在一起使用的玩法
508200	509420	有用户认为呢
509420	511020	Hannis就会被改写
511020	512800	无论是Kodas CC
512800	514940	内置这样的dev型的决策
514940	516400	只是时间的问题
516400	518280	Vestor CEO认为
518280	521680	有很多是AI炒的一些热点
521680	525320	但是Jeff是真正站得住的那个产品
525320	528580	他认为Jeff这种AI
528580	530980	可能比今天的大元模型
530980	534060	更持久的改写我们的工作和产品
534060	537640	因为Jeff输入是非常非常划算的
537640	539640	所以大量的自动化
539640	541760	就会突然变得买得起
541760	542780	说了那么多
542780	546040	已经有人做了一个非常好的仓库
546040	547500	是Orzen Type Safe
547500	548540	仓库里呢
548540	549880	有官方的资源
549880	551840	也有很多社区的项目
551840	554280	比如客户端库和集成
554280	556080	Agent和开发者工具
556080	557560	浏览器智能体
557560	559380	机器人交互演示
559380	562120	评测与独立研究等等
562120	563520	非常非常多
563520	564480	而Jeff呢
564480	567400	发布也才两天左右的时间而已
567400	568480	我们使用Jeff呢
568480	569400	也非常简单
569400	571660	进入他的控制台
571660	572920	它有个Quick Start
572920	575420	然后我们可以copy这里的
575420	577340	给Agent的提示词
577340	579280	就可以在我们电脑上
579280	581320	安装Type Safe的Skill
581320	582520	比如这里呢
582520	584580	我呢就调用它的Skill
584580	587120	然后让它帮我做一个
587120	588980	打游戏的Web页面
588980	591520	JPT很快就帮我做出了这样一个游戏
591520	592980	第一章呢
592980	595300	我刚刚已经让Jeff已经游玩过了
595300	597840	我们先看一下这里的游戏指南
597840	599900	可以让Jeff来玩
599900	601600	也可以手动接管
601600	603780	总共有三个章节
603780	607660	Choice它会显示后选动作的真实概率
607660	610580	自信度衡量分布的集中程度
610580	615340	Nord它是单独判断是否急需休息
615340	617000	第一关已经打完了
617000	620660	那现在我来点一下看一下第二关
620660	625140	我们可以观察右侧Jeff的每一步
625140	628460	今天的这个视频我是没有做变速
628460	630240	所以大家可以观察一下
630240	632860	杰弗他的一个速度情况
632860	634440	现在来点击一下
634440	635020	让他开始
635020	640100	他开始收集到原木了
640100	641460	有了原木之后
641460	643080	这里的桥就可以搭建好了
643080	644800	学好之后
644800	647420	他就可以去获取对岸的胡萝卜
647420	650560	然后还有一个胡萝卜
650560	651560	他还没收集好
651560	652800	所以他这里收集一下
652800	655400	再回到他的家
655400	658240	我可以把这里的蛋报呢
658240	658940	进行保存
658940	660140	也就是说
660140	662040	他会下载一个JSON文件
662040	663440	右侧我们会看到
663440	665620	他的当前章节的目标
665620	667080	这里的概率呢
667080	668520	他就写的比较大
668520	669620	所以兔子呢
669620	671000	最后就回到引力去了
671000	672760	在探险偏好里呢
672760	674720	也可以去选择一下
674720	675920	页面的下方
675920	677940	还可以看到他的冒险记录
677940	679760	还有他的休息的情况
679760	681740	我呢之前将第一个章节
681740	683540	玩的一个战报
683540	685580	然后下载了下来
685580	687420	让AI介绍一下
687420	688820	他说呢
688820	690460	回合
690460	691320	九回合
691320	692680	结局胜利
692680	695200	体力还剩37
695200	697140	葛萝卜的话有五根
697140	699120	第一章节里面
699120	700860	它是没有木头的
700860	701560	下方呢
701560	703320	是兔子走过的路线
703320	705460	日志对应的是什么
705460	706540	决策记录里
706540	707440	我们会看到
707440	709640	用的是Jave的模型
709640	711640	然后第一步是比较慢
711640	713300	这和我当前的网络
713300	714680	当然也有很大关系
714680	716460	后面的话快乐非常多
716460	718660	大多数的致敬度呢
718660	720740	在0.77到0.96
720740	722840	其中有两步
722840	723500	有欲
723500	725200	因为一开始这个桥呢
725200	726300	没有修复好
726300	727400	所以
727400	729360	Jeff呢就来回
729360	731060	在这三个洪框的点
731060	732300	这里来回折腾
732300	735460	后来我就让Astra来修复了一下
735460	735940	这个游戏
735940	737120	现在我们再来到
737120	738560	他的第三章节
738560	739760	那我这里呢
739760	741740	点击一下手动接管
741740	743160	音效呢也打开了
743160	744480	那我点
744480	745440	点一个
745440	746220	比如说
746220	748300	我这里先点了除菊小镜
748300	750440	再点一个萤火炒坡
750440	752940	然后我们会看到
752940	754000	还有胡萝卜
754000	755740	然后这里还有木头
755740	756660	没有收集到
756660	760720	那我再返回别的地方
760720	761560	点一下
761560	764780	这里收集到木头了
764780	766980	再点一下
766980	769140	他说等待修船
769140	771360	等等
771360	774260	那再来让他单独来玩一下
774260	775280	看看他怎么玩
775280	782140	修好桥了
782140	783540	然后再去取胡萝卜
783540	785100	又返回来
785100	786880	它要去取胡萝卜
786880	792240	因为这个设定里呢
792240	794280	它还需要一个金种子
794280	795940	开启石门
795940	798320	所以它最后是在右侧
798320	800520	游戏那里去结束的
800520	802720	最后呢再来看一个案例
802720	805060	我呢让Astra做的一个页面
805060	806680	外星人要到地球
806680	809700	那要把外星人的奇怪发言
809700	811860	变成代码执行的判断
811860	813780	左边呢
813780	815420	就会有非常多的
815420	817060	待检的旅客
817060	819220	总共是有24个
819220	820340	他们呢
820340	822520	长的是有三种样式
822520	824580	名字有各个不同
824580	827160	比如说这里的白闪博士
827160	829280	他说旅客的原话
829280	830440	是什么样子的
830440	832880	那正常这种情况下
832880	836420	他说他有简易放行证明
836420	839400	点击一下开始扫描
839400	842260	肯定是让他去通过的
842260	843140	Jeff这里呢
843140	844560	他有三个判断
844560	845700	第一是Choice
845700	848000	第二呢是No
848000	849580	那对这样外星人呢
849580	851780	我们就不需要过度的去关注他
851780	855060	然后下方就有一个欢迎雨
855060	856360	欢迎来到地球
856360	857560	决策档案里呢
857560	860100	就会显示刚刚做了那些决策
860100	862860	实测的实验室里呢
862860	866900	这是之前跑过的一次例子
866900	870380	这是24条人工编写的一个测试情境
870380	871680	每条呢
871680	873940	向真实的Jeff来发送
873940	876300	同一state下的三个独立问题
876300	879180	参考标签不会传给模型
879180	880460	比如说
880460	882940	这里的参考通道啊
882940	884440	是哪个
884440	886920	那就不会发给Jeff
886920	888380	通过这个测试呢
888380	891300	就可以比对人工写的参考信息
891300	895160	和GF判断了结果之间的一些差别
895160	897920	最后的对照里面会说明他们的状态
897920	901020	那我这里再点击一下重新实测
901020	905180	我是开了最多的10号并发
905180	908620	那我们可以看到它是成功完成
908620	911220	参考是有91%
911220	913420	是一致的
913420	915980	耗时当然是非常短的
915980	917480	实际耗用了这些Token
917480	921380	那我再点一下来进行测试
921380	926660	这个刚刚的测试结果也是一样的
926660	930000	不过呢每次测试不一定是完全一样的
930000	932840	所以有的时候可能这里是百分百
932840	936540	然后下方我们可以看一下
936540	938300	有哪些地方是不一致
938300	942820	比如说这对这个外星人的一个分析
942820	947200	然后参考认为是可以常规路径的
947200	949640	而Jeff认为需要深度调查
949640	953280	对这两位外星人人工分析
953280	956220	和Jeff判断有不一致的情况
956220	957140	我们看一下
957140	960520	他为什么对这里是要人工复合呢
960520	961760	这位外星人他说
961760	966060	他运送了一件武器外星的博物馆空壳
966060	970120	内部完全猜出确认没有什么什么什么
970120	971900	还有附有检查证明
971900	975220	以上就是今天介绍Jeff的所有内容
975220	978520	这个模型对于我们日常工作还是有非常大的帮助的
978520	980460	非常推荐大家去了解它
980460	982020	记得看社区里面
982020	984360	Alson TypeSafe的仓库
984360	985880	希望我的视频对你有帮助
985880	986940	我们下期再见