# 影片筆記：爆紅新模型 Jev 解析，不聊天只做決定，快 200 倍又便宜 400 倍？


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=38 已先套用暫定修正：它對標的不是 Fable → 它對標的不是 Fable、Astra 這類幾乎全能的大模型；segment=80 已先套用暫定修正：你只需要給它三樣東西 一份資料 → 你只需要給它三樣東西：一份資料、一個問題，以及你事先列好的幾個選項）
- 待修正：逐字稿可先使用，但有待校正清單（segment=203 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對；segment=251 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結

影片介紹了由 TypeSafe AI 開發的新模型 **Jev**，這是一個專注於「做決定」而非生成內容的 System 1 模型。它通過回傳選項機率而非文字，實現了比主流大模型快 20-200 倍的速度與極低的成本，適合用於自動化工作流中的分類、路由與決策節點。

## 核心重點

1.  **模型定位差異**：Jev 不是用於對話或生成內容的大語言模型，而是專注於「做決定」的 System 1 模型。它不生成文字，而是針對給定的資料與選項，回傳各個選項的機率。
2.  **極致效能與成本**：
    *   **速度**：通常不到 0.3 秒完成判斷，比主流模型快 20-200 倍。
    *   **價格**：輸出完全免費，僅收取輸入 Token 費用（約每百萬 Token 0.042 美元）。
    *   **低幻覺**：因不生成選項外的內容，極低幻覺率。
3.  **運作原理**：
    *   輸入：資料、問題、預設選項。
    *   輸出：回傳每個選項的機率。
    *   比喻：一般大模型寫申論題（慢、可能離題），Jev 寫選擇題（快、答案受限於選項）。
4.  **三種題型與應用**：
    *   **是非題 (Yes/No)**：回傳 0 到 1 之間的機率，應用於發票詐騙判斷、設定門檻自動拒絕或轉交人工。
    *   **單選題 (Multiple Choice)**：從多個選項中挑出一個最合適的，並提供各選項機率（最多 255 個選項），應用於自動整理信箱、郵件歸類。
    *   **打分題 (Scoring)**：設定光譜或級距（最多 11 級），回傳當前狀況落在哪個位置，應用於業務潛在客戶篩選。
5.  **System 1 vs System 2 分工**：
    *   **System 1 (Jev)**：直覺、反應快、不需深思，用於快速、準確的判斷與分類。
    *   **System 2 (如 Fable, Astra, GPT-4o)**：推理、速度慢、想得深，用於構思、寫作、複雜邏輯。
    *   Jev 是「小而美的自動化開關」，非取代大模型，而是互補。
6.  **實際應用案例**：
    *   **虛擬小鎮實驗**：50 個 AI 居民在 0.6 秒內決定對「麵包店大拍賣」的反應，應用於遊戲 NPC 行為擬真。
    *   **西洋棋對弈**：Jev 每步僅 2.6 秒，而 Fable 每步 6-15 秒，Jev 在快棋中因速度優勢獲勝。
    *   **大量分類壓力測試**：處理 1000 封信件，Jev 耗時 70 秒、成本 9 美分；GPT-4o 耗時 5 分鐘、成本 62 美分。
    *   **模型路由器**：Jev 判斷題目該派給哪個模型，將 Agent 自行挑 Skill 的出錯率從 17% 降至 7.3%。
    *   **客服 AI Agent**：Jev 用於分類與評分（嚴重度、情緒等），大模型撰寫回覆，最後再由 Jev 檢查回覆是否解決痛點、語氣是否誠懇、有無洩漏機密。

## 詳細大綱

### 一、 Jev 的基本介紹與背景
*   **發布資訊**：9 月 15 日發布，創辦人為 Diogo Almeida。
*   **市場反應**：創辦人 X 貼文獲近 3000 萬次觀看，Hacker News 獲 1679 分，Vercel 迅速上架。
*   **核心定位**：
    *   不聊天、不寫文章、不寫程式。
    *   只專注於「做決定」。
    *   對標對象不是 Fable、Astra 等全能大模型，而是工作流中的決策節點。
*   **技術背景**：
    *   開發公司：TypeSafe AI（過去低調，Jev 為首款公開模型）。
    *   創辦人背景：Diogo Almeida 是 RLHF（強化學習從人類反饋）的共同發明人。
    *   訓練方法：ChatGPT 後花了兩年研究全新訓練方法，非傳統生成式訓練。
    *   命名由來：取自經濟學中的「傑文斯悖論」（Jevons Paradox），意指越便宜高效，使用量越大。

### 二、 Jev 的運作原理與特點
*   **運作方式**：
    *   輸入：資料、問題、預設選項。
    *   輸出：回傳每個選項的機率（非生成文字）。
    *   速度：通常不到 0.3 秒完成判斷。
*   **比喻**：
    *   一般大模型：寫申論題（慢、可能離題）。
    *   Jev：寫選擇題（快、答案發散範圍受限於選項）。
*   **優勢**：
    *   速度快、價格便宜、極低幻覺（因為沒有機會瞎掰選項外的答案）。
*   **計費模式**：
    *   輸出完全免費。
    *   僅收取輸入文字量（Token），每百萬 Token 約 0.042 美元。

### 三、 Jev 的三種題型與應用場景
1.  **是非題 (Yes/No)**：
    *   回傳 0 到 1 之間的機率。
    *   應用：發票詐騙判斷、設定門檻自動拒絕或轉交人工。
2.  **單選題 (Multiple Choice)**：
    *   從多個選項中挑出一個最合適的，並提供各選項機率。
    *   限制：最多 255 個選項，可搭配說明文字。
    *   應用：自動整理信箱、郵件歸類。
3.  **打分題 (Scoring)**：
    *   設定光譜或級距（最多 11 級），回傳當前狀況落在哪個位置。
    *   應用：業務潛在客戶篩選（根據預算、需求打分），觸發後續自動化規則（如通知主管）。

### 四、 Jev 與大模型的分工 (System 1 vs System 2)
*   **理論基礎**：引用《快思慢想》(Thinking, Fast and Slow)。
    *   **System 1**：直覺、反應快、不需深思（Jev 的定位）。
    *   **System 2**：推理、速度慢、想得深（Fable、Astra 等全能模型的定位）。
*   **分工策略**：
    *   構思、寫作、複雜邏輯：交給大模型。
    *   快速、準確的判斷、分類：交給 Jev。
    *   Jev 是「小而美的自動化開關」，非取代大模型，而是互補。

### 五、 社群 Demo 與實際案例
1.  **虛擬小鎮實驗 (YouTuber Matthew Berman)**：
    *   50 個 AI 居民在 0.6 秒內決定對「麵包店大拍賣」的反應。
    *   應用前景：遊戲 NPC 行為擬真，運算成本極低。
2.  **西洋棋對弈實驗 (AI ML API 團隊)**：
    *   Jev 與 Fable/Astra 下快棋（每步限時）。
    *   結果：Fable 棋力強但思考時間長（每步 6-15 秒），最終超時輸掉；Jev 每步僅 2.6 秒。
    *   Astra 則在 18 步內將死 Jev。
3.  **大量分類壓力測試**：
    *   1000 封信件判斷：Jev 耗時 70 秒，成本 9 美分；GPT-4o 耗時 5 分鐘，成本 62 美分。
    *   1700 封信件分類 (OpenCode Ryan Vogel)：耗時極短，總成本 18 美分。
4.  **模型路由器 (YouTuber Riley Brown)**：
    *   Jev 不回答問題，只判斷題目該派給哪個模型（便宜模型處理小事，貴模型處理複雜程式）。
    *   官方數據：Agent 自行挑 Skill 出錯率 17%；經 Jev 過濾後降至 7.3%。
5.  **瀏覽器外掛 (開發者 kitze - Unclutter)**：
    *   即時判斷網頁區塊，過濾廣告與垃圾內容，提供清爽閱讀版面。
6.  **客服 AI Agent 實際案例**：
    *   **流程**：客服單進入 -> Jev 分類與評分（嚴重度、情緒、是否退款等 5 個問題）-> 自動派單至對應部門。
    *   **回覆生成**：由大模型撰寫安撫信。
    *   **最後把關**：再次呼叫 Jev 檢查回覆是否解決痛點、語氣是否誠懇、有無洩漏機密。
    *   **效益**：速度快、成本忽略不計、降低幻覺與公關危機風險。

### 六、 總結與建議
*   **適用對象**：從事 AI 自動化、處理海量信件/留言/客服單的用戶。
*   **開發者應用**：適合放在檢查關卡，掃描註解、審查程式碼邏輯（因便宜可頻繁運行）。
*   **核心觀念**：不要問哪個模型最強，要問哪個模型最適合當下工作流。
*   **未來展望**：未來軟體產品背後可能會大量出現專門做判斷的模型應用（如 Claude 外包決策給 Jev）。
*   **獲取方式**：目前處於早期預約階段，需登記 Email 排隊。

## 工具 / 模型 / 名詞整理

*   **Jev**：影片主要介紹的 AI 模型，由 TypeSafe AI 開發。
*   **TypeSafe AI**：開發 Jev 的公司。
*   **ChatGPT**：被提及為 Jev 創辦人參與打造的模型。
*   **RLHF**：強化學習從人類反饋（Reinforcement Learning from Human Feedback），ChatGPT 背後的訓練方法。
*   **X**：社交媒體平台（原 Twitter）。
*   **Hacker News**：工程師論壇。
*   **Vercel**：平台，上架了 Jev。
*   **Fable**：被提及的全能型大模型之一。
*   **Astra**：被提及的全能型大模型之一。
*   **GPT-4o**：被用於對比測試的大模型。
*   **Claude**：被提及的全能型大模型之一。
*   **OpenCode**：提及的創始團隊。
*   **Unclutter**：開發者 kitze 製作的瀏覽器外掛名稱。
*   **Skool**：影片作者提到的社群平台。
*   **System 1 / System 2**：引用《快思慢想》中的概念，System 1 指直覺快速反應（Jev），System 2 指推理深思（大模型）。
*   **傑文斯悖論 (Jevons Paradox)**：經濟學概念，指資源效率提高導致總消耗量增加，此處用於解釋 Jev 命名由來。

## 操作流程整理

### 客服 AI Agent 處理流程
1.  **接收請求**：客服單進入系統。
2.  **Jev 分類與評分**：
    *   使用 Jev 進行分類與評分（包含嚴重度、情緒、是否退款等 5 個問題）。
    *   根據評分結果，自動派單至對應部門。
3.  **大模型回覆生成**：
    *   由大模型撰寫安撫信或回覆內容。
4.  **Jev 最後把關**：
    *   再次呼叫 Jev 檢查回覆內容。
    *   檢查項目：是否解決痛點、語氣是否誠懇、有無洩漏機密。
5.  **發送回覆**：通過檢查後發送給用戶。

### 模型路由器流程
1.  **接收問題**：用戶提出問題或需求。
2.  **Jev 路由判斷**：
    *   Jev 判斷題目該派給哪個模型。
    *   簡單問題派給便宜模型，複雜程式問題派給貴模型。
3.  **執行任務**：由對應模型處理並返回結果。

## 值得注意的限制或風險

*   **選項限制**：單選題最多僅支援 255 個選項。
*   **級距限制**：打分題最多僅支援 11 級。
*   **適用範圍**：Jev 不生成文字，僅適用於有明確選項的決策、分類或評分任務，不適用於開放式創作或對話。
*   **預約狀態**：目前處於早期預約階段，需登記 Email 排隊，尚未全面開放。

## 逐字稿辨識疑點

*   **segment 203: rapid_semantic_review — 全文速讀上下文判斷；尚未回聽或交叉比對**
*   **segment 251: rapid_semantic_review — 全文速讀上下文判斷；尚未回聽或交叉比對**

**其他疑似辨識錯誤或需查證之名稱/數據：**
*   **Jev**：逐字稿中多次出現此名稱，疑為模型名稱，但需確認是否為拼寫錯誤（如 Jev 或 Jevn 等）。
*   **Diogo Almeida**：Jev 創辦人姓名，需查證是否為正確拼寫。
*   **Fable**：逐字稿中與 Astra 並列為「全能的大模型」，需查證是否存在名為 Fable 的主流大模型，或是否為其他模型名稱之聽誤。
*   **System 1 模型**：TypeSafe 創造的分類詞彙，需確認是否為官方正式術語。
*   **傑文斯悖論 (Jevons Paradox)**：經濟學概念，逐字稿中譯為「傑文斯」，通常譯為「傑文斯」或「吉文斯」，需確認譯名一致性。
*   **快思慢想**：書籍名稱，通常譯為《思考，快與慢》(Thinking, Fast and Slow)，需確認是否為特定譯本名稱。
*   **0.042 美元**：計費標準，需查證是否為準確數字。
*   **255 個選項**：單選題最大選項數，需查證是否為技術限制。
*   **11 級**：打分題最大級距數，需查證是否為技術限制。
*   **Matthew Berman**：YouTuber 姓名，需查證是否為正確拼寫。
*   **AI ML API**：團隊名稱，需查證是否為正確名稱。
*   **Ryan Vogel**：OpenCode 創始團隊成員姓名，需查證是否為正確拼寫。
*   **Riley Brown**：YouTuber 姓名，需查證是否為正確拼寫。
*   **kitze**：開發者名稱，需查證是否為正確拼寫。

## 可延伸追問

1.  Jev 的「全新訓練方法」具體技術細節為何？與傳統生成式訓練有何本質區別？
2.  若選項超過 255 個或級距超過 11 級，Jev 是否有擴展方案或替代處理方式？
3.  Jev 在處理模糊不清或選項定義不明的任務時，準確率會如何下降？
4.  目前 Jev 的預約機制與正式上線時間表為何？
5.  除了客服與分類，Jev 在金融風險評估、醫療診斷輔助等高精度要求領域的應用潛力與限制為何？