影片筆記：JEV颠覆传统AI生态，GPT Claude降本增效数百倍？DSH/GPT简单测试，AI圈子里的重金求子项目！

<!-- 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。）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

講者實測並批判新興模型「JV」，指出其僅提供概率判斷而非完整生成，實測顯示其無法直接執行任務，且生態數據低迷，認為宣稱的「百倍降本增效」缺乏常識，諷刺盲目追捧者如同陷入「重金求子」騙局的受害者。

核心重點

1. JV 模型的本質與限制：

• JV 並非傳統聊天型大模型，不進行對話，也不吐出生成文本。
• 核心功能僅限於接收狀態描述與多個選項，輸出各選項的概率（例如：選項一 70%，選項二 28%）。
• 官方宣稱此設計可消除 AI 幻覺，但講者認為這只是限制了輸出格式，並未改變大模型本質上已是概率預測器的事實。
• 無法直接與人類溝通，必須通過後台腳本（如 Python）或 AI Agent 封裝調用。

1. 實測結果與技術邏輯：

• 講者申請 API Key 並使用 Deep Seek Harness 進行測試，確認測試邏輯與官網一致：輸入狀態與選項，僅輸出概率。
• 確認該模型本身「不能干活」，僅輔助決策。
• 講者質疑：若判斷能力如此強大，OpenAI、Anthropic、Deepseek 等主流公司為何不自行集成？主流開源模型（如 DeepSick 的 Dispark 草稿小模型）應已集成此技術。

1. 生態數據與市場表現質疑：

• 產品為閉源（逐字稿稱「必源」），非開源，無法用 GitHub 星標量客觀評估。
• 數據表現低迷：最高星標項目僅 1.2K，其他項目僅百餘星標。
• 對比主流項目（如 Hermes、OpenCloud）的星標量，JV 的生態影響力極小，被形容為「提鞋都不配」。

1. 對宣稱「降本增效」的批判：

• 官方宣稱能實現「效率提升幾十倍」、「成本降低幾十倍」，總體達到上千倍的降本增效。
• 講者認為這缺乏常識基礎，屬於「脫褲子放屁」的多此一舉。
• 在常規複雜任務中，用本地模型（如請問嘛 3.8）與在線模型分工判斷是多此一舉。

1. 對追捧用戶的心理與社會批判：

• 講者將盲目追捧此類產品的用戶稱為「屌毛」，形容他們聽風就是雨，缺乏基本認知能力，喜歡貪小便宜。
• 心理機制類比為「撒泡尿照影子」，高估自身魅力，誤將騙局當機遇。
• 受眾類似「重金求子」或「大理金剛丸」的廣告對象，智商與機器人無異，部分評論區用戶可能為炒作水軍機器人。
• 社會隱喻類比中國股市割韭菜、緬北詐騙、趙長鵬、孫宇成等案例，指出「貪婪是一種癌症」，人們總想走捷徑、一夜暴富。
• 建議用戶應踏實做視頻、發帖、開發 APP，雖掙錢少但可養活自己，而非沉迷虛幻技術。

詳細大綱

一、 JV 模型的核心定義與宣稱

• 產品定位：非聊天型大模型，不進行對話，專注於「做決策」與「做判斷」。
• 核心功能：
• 接收狀態描述與多個選項。
• 輸出各選項的概率（例如：選擇一 70%，選擇二 28%）。
• 官方宣稱可消除 AI 幻覺，通過限制輸出格式確保判斷準確性。
• 市場宣傳：宣稱能實現「效率提升幾十倍」、「成本降低幾十倍」，總體達到上千倍的降本增效。

二、 技術實測與交互邏輯

• 獲取方式：需註冊官網獲取 API Key，目前免費，未來可能收費。
• 交互限制：
• 無聊天入口，不吐出生成文本或聊天內容。
• 必須通過後台腳本（如 Python）或插件調用。
• 無法直接與人類溝通，需由 AI Agent 或腳本封裝調用。
• 實測過程（Deep Seek Harness）：
• 講者申請 API Key 並放入目錄，讓 Deep Seek Harness 自動測試。
• 確認測試邏輯與官網一致：輸入狀態與選項，輸出概率。
• 確認該模型本身「不能干活」，僅輔助決策。

三、 對 JV 價值的批判性分析

• 邏輯悖論：
• 若判斷能力如此強大，OpenAI、Anthropic、Deepseek 等主流公司為何不自行集成？
• 大模型本質上已是概率預測器，JV 僅是限制了輸出格式，並未改變本質。
• 若真有效，主流開源模型（如 DeepSick 的 Dispark 草稿小模型）應已集成此技術。
• 生態與數據質疑：
• 產品為閉源（必源），非開源，無法用 GitHub 星標量客觀評估。
• 數據表現低迷：最高星標項目僅 1.2K，其他項目僅百餘星標。
• 對比主流項目（如 Hermes、OpenCloud）星標量，JV 的生態影響力極小，被形容為「提鞋都不配」。
• 使用場景評估：
• 講者認為在常規複雜任務中，用本地模型（如請問嘛 3.8）與在線模型分工判斷是多此一舉。
• 認為此類項目屬於「噱頭」與「吹牛逼」，無實際必要。

四、 對追捧用戶的心理與社會批判

• 用戶畫像：被稱為「屌毛」，聽風就是雨，缺乏基本認知能力，喜歡貪小便宜。
• 心理機制：
• 如同「撒泡尿照影子」，高估自身魅力，誤將騙局當機遇。
• 類似「重金求子」或「大理金剛丸」的受眾，智商與機器人無異。
• 部分評論區用戶可能為炒作水軍機器人。
• 社會隱喻：
• 類比中國股市割韭菜、緬北詐騙、趙長鵬、孫宇成等案例。
• 指出「貪婪是一種癌症」，人們總想走捷徑、一夜暴富。
• 建議用戶應像講者一樣，踏實做視頻、發帖、開發 APP，雖掙錢少但可養活自己，而非沉迷虛幻技術。

工具 / 模型 / 名詞整理

• JV：本期討論的核心新模型，被描述為做決策/判斷的大模型。
• Klota：逐字稿中提及的模型名稱（疑點，可能為口誤或特定指代）。
• GPT：通用大模型名稱。
• OpenAI：主流 AI 公司。
• Athrobic：主流 AI 公司（聽寫疑點，通常指 Anthropic）。
• Deepseek：主流 AI 公司/模型。
• Deep Seek Harness：講者用於測試 JV 模型的輔助工具/環境。
• DeepSick：提及的公司或模型名稱（疑點，可能指 DeepSeek 或其他）。
• Dispark：DeepSick 開發的草稿小模型。
• Hermis：提及的項目名稱（疑點，可能指 Hermes）。
• OpenCloud：提及的項目名稱。
• GitHub：代碼託管平台，用於查看星標量。
• 請問嘛 3.8：講者提及的本地模型名稱（疑點，可能指 Qwen 或其他本地模型）。
• 大理金剛丸：比喻性產品名稱，指代類似壯陽或快速见效的騙局產品。
• 以利神：比喻性產品名稱（疑點，可能為口誤）。

操作流程整理

1. 獲取 API Key：註冊 JV 官網獲取 API Key（目前免費）。
2. 環境配置：將 API Key 放入目錄，準備使用 Deep Seek Harness。
3. 實測調用：

• 輸入狀態描述與多個選項。
• 通過 Deep Seek Harness 調用 JV API。
• 接收輸出結果：各選項的概率數值。

1. 結果驗證：確認模型僅輸出概率，無聊天功能，無法直接執行任務。

值得注意的限制或風險

1. 功能單一性：JV 僅提供概率判斷，無法生成文本或進行對話，需依賴外部腳本或 Agent 封裝，增加了使用複雜度。
2. 閉源性質：產品為閉源（必源），缺乏透明度，無法通過 GitHub 星標量等公開數據客觀評估其技術實力與生態影響力。
3. 生態影響力微弱：數據顯示其星標量遠低於主流項目，可能面臨被邊緣化的風險。
4. 市場炒作風險：講者強烈暗示該項目存在過度營銷與炒作成分，用戶可能面臨「被割韭菜」的風險，類似於金融詐騙或虛假廣告。
5. 技術必要性存疑：講者質疑其技術必要性，認為主流模型已具備類似能力，JV 的引入可能屬於多此一舉。

逐字稿辨識疑點

• JV：模型名稱，逐字稿中多次出現，保留原樣。
• Klota：逐字稿中出現「Klota為GPT呀」，語意不明，疑點。
• 必源：逐字稿中多次出現「必源的」，對比上下文「開源」，疑點為「閉源」的聽寫錯誤，但依規則標為疑點。
• 新標量：逐字稿中多次出現「新標量」，對比上下文「Star 數量」或「Star 量」，疑點。
• Athrobic：逐字稿中出現，疑點為 Anthropic 的聽寫錯誤。
• DeepSick：逐字稿中出現，疑點為 DeepSeek 的聽寫錯誤。
• Hermis：逐字稿中出現，疑點為 Hermes 的聽寫錯誤。
• 請問嘛 3.8：逐字稿中出現，疑點為特定本地模型名稱的聽寫錯誤。
• 銀額：逐字稿中出現「銀額的限制」，疑點為「嚴格」或「特定」的聽寫錯誤。
• 大步行：逐字稿中出現「大步行就知道」，疑點為「大模型」的聽寫錯誤。
• 脫骨子放屁：逐字稿中出現，疑點為「脫褲子放屁」的聽寫錯誤。
• 中金球子：逐字稿中出現「中金球子的故事」，疑點為「重金求子」的聽寫錯誤。
• 撒爆料：逐字稿中出現「撒爆料照照」，疑點為「撒泡尿」的聽寫錯誤。
• 試來運轉：逐字稿中出現，疑點為「時來運轉」的聽寫錯誤。
• 欲海無邊欲和藍天：逐字稿中出現，疑點為「欲海無邊」或類似成語的聽寫錯誤。

可延伸追問

1. JV 模型的具體技術架構為何？為何宣稱能消除 AI 幻覺？
2. 若 JV 僅提供概率判斷，其在實際 AI Agent 工作流中的具體應用場景有哪些？
3. 主流模型（如 GPT、Claude）是否已內建類似 JV 的概率輸出功能？
4. JV 團隊的開發背景與資金來源為何？
5. 除了 JV，還有其他類似「僅提供判斷/概率」的專用模型嗎？