嗨各位
今天我們來聊聊最近 AI 圈的
當紅炸子雞，Jev
它也是一個 AI 模型，但特別的是
它不跟你聊天
不幫你寫文章，也不會寫程式
你丟問題給它，它甚至連一個字都不會回你
因為它只專注做一件事，就是做決定
Jev 在九月十五號發布
創辦人 Diogo Almeida
是當年一起做出 ChatGPT 的人之一
他發的那則 X 貼文
到現在已經接近三千萬次觀看
當天在工程師論壇 Hacker News 上拿到 1679 分
底下四百多則留言
隔天 Vercel 也直接把 Jev 上架到自己的平台
讓用戶可以使用
根據官方公布的數據
Jev 跟現在主流的大語言模型相比
速度快了 20 到 200 倍
價格更是便宜了 40 到 400 倍
最扯的是它的輸出完全免費
意思就是
不管你叫它吐出一百個字還是一百萬個字
它通通一毛錢都不會跟你收
我認為這款模型
將會對 AI Automation 帶來很大的影響
原因很簡單
現在大家用 AI 搭出來的自動化流程裡
有一大堆步驟其實只是在做判斷
比方說，這封信要不要回？
這張客服單該轉給哪個部門？
這則留言是不是詐騙廣告？
這些問題的答案通常只是一個選項
但我們現在卻都習慣
請又貴又慢的大模型來處理
這其實非常浪費時間和金錢
而 Jev 想要搶佔的領地就是這一塊
它對標的不是 Fable、Astra 這類幾乎全能的大模型
Astra 這類幾乎全能的大模型
你也不會拿它來幫你開發產品
它最適合的位子
是放在你的工作流裡面當一個決策節點
主打的優勢就是快，便宜，以及極低的幻覺
今天這支影片
我會先跟你分享 Jev 到底是什麼
它跟傳統大模型應該怎麼分工，接著
我們會來看幾個社群上非常有趣的 Demo
然後，我會用一個最近剛接手的實際案例
帶你看看這個模型
可以怎麼被完美整合進工作流裡面
那我們就直接開始吧！
先來聊聊它的來歷
Jev 是由一家叫做 TypeSafe AI 的公司開發的
這家公司過去一直非常低調，沒有對外曝光
而 Jev 就是他們公開亮相的第一款模型
前面有提到
創辦人 Diogo Almeida
是當年參與打造 ChatGPT 的團隊成員
講得更精準一點
ChatGPT 之所以聽得懂人話
會跟你一來一往的聊天
背後靠的是一套叫做 RLHF 的訓練方法
而他正是這套方法的共同發明人
他自己也分享過，在做完 ChatGPT 之後
他花了兩年的時間
默默研究了一套全新的訓練方法
最後生出來的成果就是 Jev
一個完全不會跟你聊天的模型
有趣的是
Jev 這個名字取自經濟學中的傑文斯悖論
英文是 Jevons Paradox
意思就是 當一樣東西變得越便宜
效率越高時，大家反而會用得越多
它的運作方式
跟我們熟悉的大模型完全不一樣
當你問 ChatGPT 或 Claude 問題時
它是一個字一個字把答案生出來的
想得越多，算得越久，你就得等越久
但 Jev 不會自己寫答案
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
一個問題，以及你事先列好的幾個選項
它就會直接回傳給你每個選項的機率
舉個簡單的例子，你丟一張發票給它
問它這張發票有沒有問題？
並給它三個選項 正常
詐騙，需要人工檢查
它就會秒回你 這張發票正常的機率是 88%
剩下的機率則分配給另外兩個選項
而這整個判斷過程
通常花不到 0.
3 秒就能完成
如果你聽到這邊還是一頭霧水
那我用個生活化一點的比喻
一般的大模型就像是在寫申論題
而 Jev 則像是在寫選擇題
申論題得一句一句慢慢寫，不但寫得慢
還有可能不小心離題
但選擇題只要圈一個答案就好
所以速度極快，而且答案絕對不會發散
一定只會是你給的選項其中之一
這也是為什麼 Jev 能夠做到低幻覺
因為它沒有機會
去瞎掰一個選項以外的答案出來
目前 Jev 能夠回答的題型，主要分為三種：是非題、單選題，以及打分題
主要分為三種 是非題
單選題，以及打分題
是非題很好理解，你問它一句話是不是真的
它會回傳一個 0 到 1 之間的機率
越接近 1 就代表它越肯定是
比方說，你可以丟一張發票給 Jev
問它這張發票是不是詐騙？
Jev 可能會回你 90%
你甚至可以把幾個常見的詐騙特徵
寫進條件裡再問一次
機率或許就會變得更高
因為 Jev 有了更多的參考依據
來增加它的信心水準
拿到這個數字之後
最簡單暴力的應用方式就是
在自動化退款的程式裡設定一個門檻
比方說只要詐騙機率超過九成
就直接自動拒絕
其餘的退款請求
再自動寄信轉交給真人客服處理
這樣一來
你就幫客服省下了大量處理送分題的時間
第二種是單選題，你可以先列出好幾個選項
Jev 會從裡面挑出一個最合適的
同時告訴你每個選項的機率各是多少
選項的內容完全由你定義
最多可以列到 255 個
而且每個選項你還可以搭配一句簡單的說明
讓它更清楚這個選項的定義
比方說，你可以拿它來自動整理信箱
讓 Jev 幫你精準判斷
每一封信應該歸類到哪個資料夾
第三種是打分題
有些事情不是非黑即白地選一個類別
而是要看程度
這時候你可以先定好一把尺
或者說畫一個光譜
從低到高寫出每一個級距代表什麼意思
最多可以分到 11 級
Jev 就會告訴你
現在的狀況落在那把尺的哪個位置
比方說你想幫業務篩選潛在客戶
你可以設定 0 分是沒有預算的學生
1 分是小團隊
2 分是有明確需求跟時程的公司
3 分則是預算充足的大企業
這時候如果有一間大企業
透過網站表單來詢問
Jev 可能就會幫它打出 2.
9 分的高分
拿到這個分數後
你就可以把它串接到後面的自動化規則
比方說設定 2.
5 分以上的客戶
要觸發緊急通知給業務主管
確保團隊當天就能立刻回信搶下訂單
所以 Jev 的能力跟定位其實非常明確
它能回答的就是是不是
哪一個，到什麼程度這三種問題
而如果你仔細拆解
現在各種自動化工作流裡的判斷邏輯
其實大部分也離不開這三種
整個模型用起來的感覺就是 資料丟進去
它不跟你廢話
瞬間給你結論
像是一個小而美的自動化開關
在價格方面，Jev 也非常有競爭力
就像前面提到的，它的輸出是完全免費的
計費方式只看讀進去的文字量
每一百萬個 Token 只收 0.
042 美元
你可能對一百萬個 Token 沒什麼概念
最簡單的理解方式就是
這大約等於好幾本厚厚的小說的文字量
從這裡就可以看出
Jev 真的是便宜到不可思議
不過話說回來，不管它再怎麼便宜或快速
它都還是無法取代
Fable 跟 Astra 這種全能型模型
或者說它打從一開始就沒打算要取代它們
因為這兩者的定位根本完全不同
TypeSafe 幫 Jev 創造了一個新的分類
叫做 System 1 模型
這個詞出自於經典名著快思慢想
書裡提到
人的大腦其實有兩套系統 系統一靠的是直覺
反應極快，系統二靠的是推理
速度慢但是想得深
就像你剛學開車的時候，看後照鏡
打方向燈，換檔，每一個動作都要用力去想
這就是系統二，但開了幾年車之後
這些動作全部變成了下意識的反射動作
這就是系統一
Fable 跟 Astra 就是那個會深思熟慮的系統二
而 Jev 就是那個靠直覺秒回的系統一
所以，這兩者的分工非常清楚
如果你今天需要 AI 幫你構思
幫你寫作
那就交給大模型
但如果你今天只是需要一個快速
準確的判斷，那就交給 Jev
對 Jev 有了基本的認知後
我們來看看社群上的創作者們
都拿它來做什麼吧
國外 YouTuber Matthew Berman
用它做了一個虛擬小鎮
裡面住了 50 個 AI 居民
當他對全鎮廣播一句麵包店大拍賣！
時，短短 0.
6 秒之內
這 50 個居民就各自決定好自己要怎麼反應了
其中 39 個不為所動繼續做自己的事
6 個跑去湊熱鬧看看
4 個直接加入搶購行列
還有 1 個熱心地跑去通知別人
我覺得這個實驗非常有趣
未來我們絕對會在遊戲領域
看到大量類似的應用
比方說遊戲裡的 NPC 行為
或許就能透過這種方式變得更加擬真
多樣化，而且運算成本還極低
第二個例子
是 AI ML API 這個團隊
在 X 上發布的一場對弈實驗
他們讓 Jev 分別跟 Fable 和 Astra 下西洋棋
規則是每方只有五分鐘時間的快棋
每下一步棋，就等於呼叫一次模型
有趣的是，在對上 Fable 的那一局
如果單論棋力
Fable 絕對是完全碾壓
下到第 29 步時已經佔盡優勢
甚至還多吃了一隻皇后，但致命傷是
Fable 每想一步棋都要花上 6 到 15 秒
而 Jev 每一步只花 2.
6 秒
最後的結果是
Fable 把五分鐘的時間全耗光了
因為超時而被判輸
可以說，最聰明的模型，最後卻輸在想太久
不過，當 Jev 對上 Astra 時情況就不太一樣了
Astra 只用了短短 18 步就直接把 Jev 將軍死棋
是真的有點瘋狂
除此之外
社群上也有很多人
開始把 Jev 拿來做大量分類的任務
比方說，有人拿了 1000 封 Email
來進行壓力測試
讓模型去判斷每一封信是不是發票
是不是合作邀約等等
結果 Jev 跑完這 1000 封信只花了短短 70 秒
成本更是只要驚人的 9 美分
不到台幣三塊錢
但如果把同一批信交給 GPT-4o 來跑
不僅要花上 5 分鐘
成本還高達 62 美分，要台幣二十幾塊錢
OpenCode 創始團隊的 Ryan Vogel
也做了一個類似的專案
他一口氣把自己信箱裡的 1700 封信
全丟給 Jev ，讓它幫忙分門別類
排定處理優先順序，打上垃圾信件的分數
最後再判斷這封信需不需要親自回覆
全部 1700 封信跑完，總共竟然只花了 18 美分
另外， Jev 也非常適合拿來做路由
也就是幫你決定這件事應該交給誰來做
YouTuber Riley Brown 就實作了一個模型路由器
當你的問題丟進去後
Jev 自己不負責回答
它只負責快速判斷
這道題該派給哪個模型處理
如果是改錯字這種小事
就丟給最便宜的模型
如果是要寫一整套複雜的程式
再轉發給最貴，最聰明的模型
TypeSafe 官方也釋出了一個有趣的數據
如果讓 Agent 自己挑要觸發哪個 skill
拿錯的機率高達 17%
但如果先讓 Jev 幫忙快速過濾挑選
出錯的機率瞬間降到了只有 7.
3%
還有一位叫做 kitze 的開發者
用它做了一款
名為 Unclutter 的免費瀏覽器外掛
當你網頁一打開，它就會在背景呼叫 Jev
即時判斷網頁上的哪些區塊是廣告
哪些是沒有營養的垃圾內容
然後瞬間幫你清理得乾乾淨淨
還給你一個清爽的閱讀版面
我認為 Jev 對大多數人來說
最實用的場景絕對是分類和路由
因為只要你想做自動化流程
這兩個環節幾乎是必經之路
我在之前的影片中就不斷強調過
在 AI 時代做自動化
你要學會把大模型當成工作流裡的一個零件
而不是把它當成一個只會聊天的機器人
而 Jev ，可以說
就是把這個理念貫徹到極致的產物
它直接拔掉了聊天的能力
生下來就是為了當一個極致高效的零件
最近剛好有一位來找我諮詢的客戶
他們公司想做一個客服 AI Agent
用來自動處理每天雪片般飛來的客服單
剛好碰上 Jev 推出
我就跟他建議
把整條自動化流程的第一站直接換成 Jev
客服單一進來，二話不說先交給 Jev 做分類
假設今天收到一張客訴單
上面寫著 我被重複扣款兩次
今天一定要給我處理好！
同時後台資料顯示
這位客人目前使用的是高階的付費方案
而且帳號已經使用了四百多天
當 Jev 拿到這張單以及客人的背景資料後
我們可以同時向它拋出五個問題
第一，這張單的分類是什麼？
是帳務問題，系統故障，還是其他？
第二，這張單的嚴重程度
如果從 0 到 10 分來打分
是幾分？
第三，客人有沒有在信件中要求退款？
第四，客人有沒有具體寫出
問題發生的操作步驟？
第五，客人現在的情緒狀態是平靜
不耐煩，還是憤怒？
這五個關鍵問題的答案
不到一秒鐘就能全部生成出來
接著，只要把這些答案
串接到我們預先寫好的分類邏輯裡
系統就能自動把這張緊急的客訴單
精準地派送到負責處理帳務的對應部門
甚至直接亮起紅燈提醒主管處理
不過，就如同前面所說的， Jev 不會寫字
所以最後回覆給客人的那封安撫信
還是得交給聰明的大模型來代筆
但信寫完之後
我們發送前可以再次呼叫 Jev
讓它當最後的把關者
檢查這封回覆有沒有真的回答到客人的痛點？
語氣看起來像是在誠懇道歉
還是在推卸責任？
有沒有不小心把公司內部的
機密規定給洩漏出去？
加上 Jev 這道檢查關卡
不僅速度快，成本幾乎可以忽略不計
還能大幅降低 AI 產生幻覺
亂回覆客人的公關危機風險
講到這裡，我們已經知道 Jev 是什麼
看了社群上的各種玩法
也看了它放進客服流程裡的樣子
最後我就簡單做個總結吧
如果你本身就在做 AI 自動化
或者手邊每天都有海量的信件，社群留言
表單或客服單需要處理
那這些痛點簡直可以說就是為了 Jev 而生的
看完這支影片，你今天就可以馬上開始構思
該怎麼把 Jev 整合進你的工作流裡
如果你是寫程式的開發者
它非常適合被放在檢查的關卡
幫你掃描註解，審查程式碼邏輯
因為它實在太便宜了，便宜到你每一次存檔
每一次改 code 都可以毫無壓力地讓它跑一遍
至於開發者具體的實作方式
我已經寫成了一篇詳細的文章
就不在這支影片裡佔用大家時間了
同時，我也特別製作了
一組好用的提示詞工具
可以幫你快速盤點
你現有的專案或自動化工作流中
到底有哪些環節最適合引入 Jev 來優化
對這些資源感興趣的朋友
歡迎到我們的 Skool 社群
查看完整文章並領取提示詞工具
相關連結我都會放在下方的資訊欄
而如果你平常只是習慣把 ChatGPT 或 Claude
當作聊天機器人來問問題
那你高機率不會直接用到 Jev
但我相信
你每天在用的各種軟體和產品背後
很快就會開始大量出現
這種專門做判斷的模型應用
比方說，哪天 Claude
把要不要觸發某個工具或技能
這件事直接外包給 Jev 來做決策
也不是不可能的事
畢竟這真的是又快又便宜的解法
我之前在頻道裡就一直強調過一個觀念
不要問現在哪個模型最強
你要問的是
哪個模型最適合你當下的工作流
這個道理放在任何領域都通用
就像好久以前大家就知道用高階
聰明的模型來做 Planning
再用低階，快速的模型去執行苦力實作
而現在，我們的武器庫裡
又多了一個專職的決策模型
它可以幫助我們用更低的成本
更快的速度，達到比以前更好的自動化效果
這對於所有喜歡
自己動手 Build 東西的創作者
或者是第一線的工程師來說
絕對是一大福音
如果你也想親自試試看 Jev 的威力
我會把他們的官方網站連結放在下方資訊欄
不過目前他們還處於早期預約階段
需要先登記你的 Email 排隊
才有機會獲得使用權限
有興趣的朋友強烈建議先去卡位預約起來
才能在第一時間親自體驗
那以上就是今天影片的全部內容啦
希望這集關於 Jev 的介紹對各位有所幫助
如果你喜歡今天的影片
別忘了幫我按讚，訂閱
並分享給身邊對 AI 自動化有興趣的朋友
你們的支持就是我持續創作下去最大的動力！
那我們就下支影片見囉，掰掰！