逐字稿文字預覽
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
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：19.6 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：22.9 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：1.1 秒
關係：依序執行
結果：完成
4. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.1 秒
關係：依序執行
結果：完成
5. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.1 秒
關係：依序執行
結果：完成
6. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.2 秒
關係：依序執行
結果：完成
7. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.2 秒
關係：依序執行
結果：完成
8. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：133.6 秒
關係：依序執行
結果：完成
9. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.8 秒
關係：依序執行
結果：完成
10. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.9 秒
關係：依序執行
結果：完成
手動來源字幕
自動來源字幕
Whisper 字幕
- 尚未產生
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
目前待解決問題與初步改善方向
- ⚠️ 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；segment=103 已先套用暫定修正：目前 Jev 能夠回答的題型 → 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；segment=168 已先套用暫定修正：在價格方面 Jev 也非常有競爭力 → 在價格方面，Jev 也非常有競爭力；segment=203 待確認：原文「兄弟們」在介紹技術 Demo 與開發者專案的語境下略顯突兀，雖非絕對錯誤，但「創作者們」或「開發者們」更符合上下文（如 Matthew Berman, Ryan Vogel 等）的專業語氣。；暫定：我們來看看社群上的創作者們；segment=251 待確認：原文「GPT-5.6 Luna」為非標準模型名稱，極可能是語音辨識錯誤。根據上下文對比（Jev vs 主流大模型），最可能的原意是 GPT-4o 或 GPT-4 Turbo。因無法確認具體指涉，標為待確認，但修正為常見模型名稱較合理。；暫定：但如果把同一批信交給 GPT-4o 來跑
- 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
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。