影片筆記：【AI 革命】告別昂貴 Token！Jev 如何讓你的 Claude Code 效率提升 10 倍

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 可先使用，仍有待修正項目

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：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
• 待修正：逐字稿可先使用，但有待校正清單（segment=261 asr_repetition_or_hallucination: 出現異常重複字元或 token）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

⚠️ 警告：逐字稿辨識疑點

本筆記基於提供的分段筆記與逐字稿片段生成。由於逐字稿中存在疑似識別錯誤（如 segment 261: asr_repetition_or_hallucination），以下內容忠於原始筆記，但請注意部分模型名稱、產品名稱及數據可能為聽寫錯誤或識別異常。若發現不合理片段，已列入「逐字稿辨識疑點」，請勿直接視為確定事實。

一句話總結

演講者介紹由 ChatGPT 創始人之一 Diogo 開發的新型 AI 模型 JEV，該模型並非大型語言模型，而是專注於選擇、判斷與評分的「分流器」，具備極高速度與極低成本，可將簡單任務分流至低成本模型，複雜任務分流至高成本模型，從而大幅提升 Claude Code 等工具的效率並節省 Token 費用。

核心重點

1. JEV 模型定位：

• JEV 不是傳統的大型語言模型（LLM）。
• 核心能力僅三種：選擇結果、判斷真假（是/否）、基於標準評分。
• 開發者為 ChatGPT 創始人之一 Diogo。

1. 極致效能與成本：

• 速度：比 ChatGPT 快 20 到 200 倍。
• 成本：輸入每百萬 TOKEN 僅約 4 美分，輸出完全免費。

1. 分流機制（Router）：

• JEV 作為「分流器」或過濾器，判斷任務複雜度。
• 簡單任務：分流至低成本模型（如 Haiku）。
• 複雜任務：分流至高成本模型（如 Opus, Fable）。
• 效益：避免用高成本模型處理簡單問題，節省 Token 並提升響應速度。

1. 實戰應用場景：

• 電子郵件自動化：快速檢索、分類、判斷重要性，高信心度直接自動化，低信心度移交 Claude。
• 發票詐欺檢測：掃描供應商發票，識別潛在詐欺信號。
• 遊戲與瀏覽器控制：在 Doom 射擊遊戲、瀏覽器自動化（找機票）及乒乓球遊戲中展現極快反應速度。

詳細大綱

I. JEV 模型概述

• 開發背景：由 ChatGPT 創始人之一 Diogo 發明。
• 核心定位：非大型語言模型（Non-LLM）。
• 三大能力：

1. 選擇結果（從選項中選一）。
2. 判斷真假（是/否判斷）。
3. 評分標準（定義中/高標準並進行評分）。

• 主要優勢：
• 速度極快：比 ChatGPT 快 20 到 200 倍。
• 成本極低：
• 輸入費用：每百萬 TOKEN 約 4 美分。
• 輸出費用：完全免費（不收取 TOKEN 費用）。
• 易於接入：可接入任何模型。
• 可分流：可根據任務難易度分流至不同模型。

II. JEV 的接入方式

• 官方 API：透過 typesafe.AI 網站的 API Console 登錄並調用。
• 聚合平台：透過 openrouter 調用（演講者個人偏好，使用約兩年）。
• OpenRouter 聚合了上百種不同模型。

III. JEV 實戰應用案例

• 案例一：任務分流器（Router On/Off）
• 機制：提示詞先進入 JEV，由 JEV 判斷任務複雜度。
• 分流邏輯：
• 簡單任務 -> 分流至低成本模型（如 Haiku）。
• 複雜任務 -> 分流至高成本模型（如 Opus, Fable）。
• 效益：避免用高成本模型處理簡單問題，節省 TOKEN。
• 案例二：電子郵件自動化處理
• 流程：

1. JEV 快速檢索所有郵件。
2. JEV 對郵件進行分析與分類（報價、SEO、緊急、每週摘要等）。
3. JEV 判斷郵件重要性及是否需要真人回覆。
4. 分流機制：

• 高信心度（>0.8）：直接進入表格/自動化處理。
• 低信心度（<0.8）：移交給 Claude 進行最終判斷。
• 效能數據：
• 6 封郵件：耗時 3.4 秒，費用 $0.000002。
• 424 封郵件（7天）：篩選出 82 封重要郵件，耗時 0.5 秒。
• 輸出：Excel 表格歸類，並起草回覆郵件。
• 案例三：發票詐欺檢測
• 功能：掃描供應商發票，識別潛在詐欺。
• 評分維度：明細總價、對賬跡象、強烈詐欺信號、警告信號、異常。
• 效能數據：6 張發票耗時 1.78 秒，費用 $0.00003。
• 結果：區分真實發票與造假嫌疑，標記紅/黃/正常信號。

IV. JEV 與其他模型的對比演示

• 遊戲控制（Doom）：
• JEV 可完全操縱射擊遊戲，判斷走位與射擊目標。
• 反應速度極快，傳統大模型無法達到此反應速度。
• 瀏覽器自動化（JEV Ultra Fast）：
• 控制瀏覽器速度極快，例如 7.1 秒內找到瑞士至英國的機票。
• GitHub 項目已獲 15,000+ Star。
• 預示未來將出現大量基於 JEV 的瀏覽器控制開源項目。
• 乒乓球遊戲（JEV POM）：
• 對比測試：JEV 控制球拍彈球的反應速度遠快於 Gemini、Haiku 和 GPT 5.6 SOL。
• 可與用戶對戰，但人類反應通常仍快於 JEV。

V. 結論與資源

• 演講者觀點：對 JEV 感到非常興奮，認為其與 GPT-6、Astra、Fable 5.1 等不同，是一種全新的 AI 模型類型。
• 資源獲取：
• 社區名稱：AI Agent 大師學院。
• 獲取方式：YouTube 描述欄連結 -> Youtube 資源區 -> 本期視頻 -> 下載 PDF 文件。
• PDF 內容：包含 JEV 重要指標、練習提示詞（Prompts）。

工具 / 模型 / 名詞整理

• AI 模型/技術：
• JEV：影片主要介紹的模型，非 LLM，專注於選擇、判斷、評分。
• Claude：提及 Fable, Opus, Haiku 等變體或相關模型。
• ChatGPT：被對比對象，速度較慢。
• GPT-6：提及的新型號。
• Fable 5.1：提及的高成本模型變體。
• Astra：提及的新型號。
• Gemini：被對比對象。
• Haiku：低成本模型，用於分流簡單任務。
• GPT 5.6 SOL：被對比對象，版本編號存疑。
• JEV Ultra Fast：瀏覽器自動化版本。
• JEV POM：乒乓球遊戲版本。
• 平台/網站：
• typesafe.AI：提供 JEV 官方 API Console。
• OpenRouter：聚合平台，演講者偏好使用。
• GitHub：開源項目存放地。
• YouTube：影片發布平台。
• 遊戲/應用：
• Doom：射擊遊戲，用於測試 JEV 反應速度。
• JEV POM：乒乓球遊戲，用於測試 JEV 反應速度。
• 組織/社區：
• AI Agent 大師學院：演講者提到的社區名稱。

操作流程整理

流程一：任務分流器（Router On/Off）

1. 輸入：提示詞進入 JEV。
2. 判斷：JEV 判斷任務複雜度。
3. 分流：

• 若為簡單任務 -> 發送給低成本模型（如 Haiku）。
• 若為複雜任務 -> 發送給高成本模型（如 Opus, Fable）。

1. 輸出：獲得結果，節省 Token。

流程二：電子郵件自動化處理

1. 檢索：JEV 快速檢索所有郵件。
2. 分析：JEV 對郵件進行分類（報價、SEO、緊急、每週摘要等）。
3. 判斷：JEV 判斷郵件重要性及是否需要真人回覆。
4. 分流決策：

• 信心度 > 0.8：直接進入表格/自動化處理。
• 信心度 < 0.8：移交給 Claude 進行最終判斷。

1. 輸出：生成 Excel 表格歸類，並起草回覆郵件。

流程三：發票詐欺檢測

1. 掃描：輸入供應商發票。
2. 評分：JEV 根據明細總價、對賬跡象、強烈詐欺信號、警告信號、異常進行評分。
3. 標記：區分真實發票與造假嫌疑，標記紅/黃/正常信號。
4. 輸出：識別潛在詐欺。

值得注意的限制或風險

1. 模型名稱不確定性：

• 影片中提到的「JEV」在主流 AI 模型中較不常見，需查證是否為特定新模型名稱或聽寫錯誤。
• 「Fable」、「GPT 5.6 SOL」、「Astra」等模型名稱不符合已知公開模型標準，可能為口誤或識別錯誤。

1. 開發者背景存疑：

• 演講者稱 JEV 由 ChatGPT 創始人之一「Diogo」發明，需查證 ChatGPT 創始人中是否有名為 Diogo 的人，以及 JEV 是否為其發明的模型。

1. 成本數據極低：

• 輸入每百萬 TOKEN 約 4 美分，以及 $0.000002 等極低費用數據，需查證是否為真實 API 計費單位或演示數據，可能存在識別錯誤。

1. 資源真實性：

• 演講者提到的 PDF 文件內容（JEV 重要指標、練習提示詞）需查證是否為真實存在的教學資源。

1. 技術局限性：

• JEV 僅專注於選擇、判斷與評分，並非通用大型語言模型，可能不適用於需要複雜生成或推理的任務。
• 在乒乓球遊戲中，人類反應通常仍快於 JEV，顯示其在即時互動方面仍有物理限制。

逐字稿辨識疑點

• JEV：逐字稿中多次出現此名稱，但該名稱在主流 AI 模型中較不常見，需查證是否為特定新模型名稱或聽寫錯誤（如 Jina, Jet, 或其他縮寫）。
• Fable：演講者提及 "Claude fable" 或 "Fable"，通常 Claude 的模型版本為 Haiku, Sonnet, Opus。"Fable" 可能是聽寫錯誤，需查證是否指代特定模型或口誤。
• GPT 5.6 SOL：逐字稿提及 "GPT5.6SOL"，此版本編號與命名方式不符合已知公開模型，需查證是否為口誤或特定內部版本。
• Astra：提及 "GPT6 Astra"，需查證 "Astra" 是否為特定模型名稱或口誤。
• Diogo：演講者稱 JEV 由 "Diogo" 發明，且為 ChatGPT 創始人之一。需查證 ChatGPT 創始人中是否有名為 Diogo 的人，以及 JEV 是否為其發明的模型。
• 4 分錢美金：演講者稱輸入每百萬 TOKEN 為 "4 分錢美金"，需查證此價格是否準確或為口誤。
• 0.0000002 / 0.00003：費用數據極低，需查證是否為真實 API 計費單位或演示數據。
• PDF 文件內容：演講者提到 PDF 中有 "JEV 的提示詞"，需查證該 PDF 是否為真實存在的教學資源。
• Segment 261 異常：逐字稿中存在 asr_repetition_or_hallucination 異常重複字元或 token，可能影響部分內容的準確性。

可延伸追問

1. JEV 模型的具體技術架構是什麼？它如何實現比 LLM 快 20-200 倍的速度？
2. 如何準確查證「Diogo」與「JEV」的關係？是否有官方文檔或論文支持？
3. OpenRouter 和 typesafe.AI 對 JEV 的支持程度如何？是否有長期穩定的 API 服務？
4. JEV 在「高信心度」與「低信心度」的分流閾值（0.8）是如何確定的？是否有最佳實踐指南？
5. 除了電子郵件和發票，JEV 還有哪些適合的工業級應用場景？
6. 如何驗證 JEV 的「輸出免費」是否長期有效？是否有隱藏的計費條款？