# 影片筆記：【Jev实测】Jev是什么？怎么用？二十分钟彻底给你讲清楚它的底层原理！少走99%弯路！看懂 TypeSafe Jev：它根本不是聊天 LLM


<!-- 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

影片介紹了一款名為 **Jev**（筆記中亦出現 Jill, J5, Jil, Jayv 等稱呼）的新型 AI 模型，其核心定位為「決策模型」而非傳統生成式 LLM。Jev 採用一次性變形計算（Deformed Calculation）與 RLCD 訓練方法，不生成文本，而是直接輸出結構化的概率判斷（JSON），具備極低延遲（500ms 內）與極低成本（較 GPT 降低 400 倍）的優勢，主要應用於 Agent 路由、安全风控、分類打分等高頻決策場景，與 GPT/Claude 形成互補關係。

## 核心重點

1.  **模型定位差異**：
    *   傳統模型（GPT, Claude）：自回歸（Autoregressive）生成 Token，逐字生成，高延遲、高成本，適合創意與文本生成。
    *   Jev 模型：決策/判斷模型，一次性輸出結構化概率，低延遲、低成本，適合有限選項的判斷與路由。
2.  **技術原理**：
    *   由前 OpenAI 研究員 Digo 創辦的 TypeSafe AI 發布。
    *   採用 RLCD 訓練方法。
    *   核心架構為「一次性變形計算」，直接輸出判斷概率，而非逐 Token 生成。
3.  **效能優勢**：
    *   推理速度最高提升 200 倍。
    *   成本最高降低 400 倍（例如：100 萬 Token 成本約為 GPT 的 1/250，約 0.04 美元對比 10 美元）。
    *   延遲極低：500 毫秒內返回結果。
4.  **輸出格式與類型**：
    *   強制結構化 JSON 輸出，無自然語言文本，無格式錯誤，無文本幻覺。
    *   三種輸出類型：
        *   `no`：概率判斷（0-1 浮點數），數值即為置信度。
        *   `choose`：多選一，返回最高概率選項名稱、自信度（Confidence）及完整概率分布。
        *   `score`：連續打分，返回非整數打分值及自信度。
5.  **應用場景**：
    *   Agent 高頻快判斷、路由選擇（如從多個模型中選擇最佳模型）。
    *   安全控制與風控（高危操作判斷、實時業務風控、IoT 設備告警）。
    *   客戶服務與數據處理（工單分類、情緒分析、緊急度打分、內容篩選）。

## 詳細大綱

### 一、 Jev 模型概述與市場反應
*   **市場熱度**：近期在硅谷刷屏，發布前三天已被 Wassel, Cloudflare, LongChang 等主流平台集成。
*   **核心優勢對比**：
    *   **速度**：推理速度最高提升 200 倍，延遲極低（500 毫秒內得到結果，對比 GPT 的幾秒至十幾秒）。
    *   **成本**：成本最高降低 400 倍。100 萬 Token 成本約為 GPT 的 1/250（約 0.04 美元對比 10 美元）。
    *   **定位**：與 GPT/Claude 並非替代關係，而是互補關係。

### 二、 技術背景與原理
*   **開發團隊**：
    *   公司：TypeSafe AI。
    *   發布時間：9月15日。
    *   創始人：Digo（前 OpenAI 研究員，參與 ChatGPT 創造）。
*   **研發動機**：解決超強聊天模型未帶來 AGI 的問題，探索新訓練方法。
*   **技術方法**：
    *   新訓練方法：RLCD。
    *   新模型架構：Jev（筆記中亦稱 Jill 等）。
    *   **區別於傳統模型**：
        *   GPT/Claude：自回歸（Autoregressive），逐 Token 生成，高延遲高成本。
        *   Jev：一次性變形計算（Deformed Calculation），直接輸出判斷概率，低延遲低成本。

### 三、 Jev 的使用方式與輸入輸出
*   **使用方式**：通過 API 調用。
*   **輸入內容**：
    1.  `state`：上下文/環境狀態。
    2.  `question`：預定義的任務/問題。
*   **輸出內容**：
    *   強制結構化 JSON（非自然語言文本）。
    *   一次性返回所有概率。
    *   程序可直接解析。

### 四、 三種輸出類型詳解
1.  **No 類型（概率判斷）**：
    *   特點：不完型判斷，返回 0 到 1 的浮點數（筆記疑點：伏點數）。
    *   含義：數值代表成立概率，無需單獨設置置信度，數字即為置信度。
    *   範例：檢測用戶是否會退款（返回 0.9 或 1 表示高概率會退款）。
2.  **Choose 類型（多選一）**：
    *   特點：從多個選項中選擇概率最高的一個。
    *   限制：最多支持 255 個選項。
    *   輸出字段：
        *   `truth`（筆記疑點：可能指 choice 或 result）：概率最高的選項名稱。
        *   `confidence`（筆記疑點：知性度/自信度）：模型對本次分類結果的自信度（數值越高越確定，建議閾值 0.7-0.8）。
        *   完整概率分布。
    *   範例：將客服工單路由至結算、技術或銷售部門。
3.  **Score 類型（連續打分）**：
    *   特點：對多個選項進行連續打分，提供各級別概率分布。
    *   輸出字段：
        *   非整數打分值（筆記疑點：非诊数打分值）。
        *   `confidence`：自信度。
    *   範例：對用戶情緒（冷靜、失望、憤怒）進行打分，選擇最高分對應的情緒。

### 五、 實際應用場景
*   **Agent 與自動化**：
    *   瀏覽器/電腦操作識別（點擊、輸入、下拉等有限動作）。
    *   遊戲操作判斷（如俄羅斯方塊，選項有限）。
    *   智能工具路由：從十幾個常用模型中選擇最適合的模型進行處理。
*   **安全與风控**：
    *   高危操作前的快速安全判斷。
    *   實時業務风控（筆記疑點：電帶分控）、自動化交易风控。
    *   服務器與 IoT 設備（筆記疑點：AOT 設備）告警自動化。
*   **客戶服務與數據處理**：
    *   公單分類（物流、賬單、故障、投訴）。
    *   緊急度打分、情緒強烈度判斷。
    *   Node 核心判斷（是否退款、是否辱罵、是否需要人工介入）。
    *   內容與文檔篩選、評論篩選、會議記錄標籤化。
    *   數據標註與評測：替代大模型進行批量調用（筆記疑點：榨紙調用），高效篩選與打分。

### 六、 總結與建議
*   **成本效益**：GPT 等生成式模型成本高、延遲高，不適合所有場景。
*   **組合策略**：硅谷趨勢為「Jev + GPT/Claude」組合使用。
    *   Jev 負責高頻、低延遲、低成本的決策與路由。
    *   GPT/Claude 負責需要生成文本或複雜創意的場景。
*   **核心價值**：高效、低價、無文本幻覺（筆記疑點：年文本幻覺）、結構化輸出、無格式錯誤（筆記疑點：寧格式錯誤）。

## 工具 / 模型 / 名詞整理

*   **Jev** (亦被稱為 Jill, J5, Jil, Jayv, Jill latest, Jolatist)
*   **GPT** (ChatGPT, 筆記疑點：ChairGPT, GP9)
*   **Claude** (筆記疑點：Cloat)
*   **OpenAI**
*   **Wassel**
*   **Cloudflare**
*   **LongChang**
*   **TypeSafe AI**
*   **RLCD** (訓練方法)
*   **API**
*   **JSON**
*   **CURL**
*   **AGI**
*   **Agent**
*   **Deformed Calculation** (一次性變形計算，筆記疑點：拼尿變形計算)
*   **Autoregressive** (自回歸)
*   **Confidence** (自信度/置信度，筆記疑點：知性度, 知情度)
*   **Stripe** (筆記疑點：Strip 賬戶, street 的客戶)
*   **IoT** (筆記疑點：AOT 設備)

## 操作流程整理

1.  **準備階段**：
    *   獲取 TypeSafe AI 的 API Key（筆記疑點：API-KIT）。
    *   確定應用場景（如路由、分類、打分）。
2.  **構建請求**：
    *   定義輸入參數：
        *   `state`：當前上下文或環境狀態。
        *   `question`：預定義的任務或問題。
    *   選擇輸出類型：`no`（概率判斷）、`choose`（多選一）或 `score`（連續打分）。
3.  **調用 API**：
    *   通過 CURL 或程式碼調用 Jev API。
    *   發送請求，等待回應。
4.  **解析回應**：
    *   接收結構化 JSON 數據。
    *   解析 `truth`（最高概率選項）、`confidence`（自信度）及概率分布。
    *   根據解析結果執行後續動作（如路由請求、觸發風控、輸出標籤）。
5.  **組合使用（可選）**：
    *   若 Jev 判斷需要生成文本，將結果作為上下文輸入給 GPT/Claude 進行生成。

## 值得注意的限制或風險

1.  **適用場景限制**：Jev 主要適用於有限選項的判斷、路由和分類場景，不適合需要創意生成或複雜文本生成的任務。
2.  **選項數量限制**：`choose` 類型最多支持 255 個選項。
3.  **置信度閾值**：使用 `choose` 類型時，建議設置置信度閾值（0.7-0.8），低於閾值可能需要人工介入（筆記疑點：低分支可以人工复制）。
4.  **技術成熟度**：作為新型模型，其長期穩定性及在極端邊緣案例下的表現仍需觀察。
5.  **辨識不確定性**：由於逐字稿中存在大量疑似聽寫錯誤的名稱和術語，實際產品細節可能與筆記描述存在差異，需以官方文檔為準。

## 逐字稿辨識疑點

**模型與產品名稱：**
*   **Jill / J5 / Jil / Jayv / Jill latest / Jolatist**：逐字稿中交替使用，疑點指代同一模型 Jev。
*   **Wassel / LongChang**：疑點，需查證是否為特定平台名稱。
*   **Cloat / GP9 / ChairGPT**：疑點，可能為 "Claude" 或 "GPT" 的聽寫錯誤。
*   **Digo**：疑點，前 OpenAI 研究員創辦 TypeSafe AI，需查證實際姓名。
*   **Jolatist**：疑點，可能指 "Jill latest"。

**技術術語與概念：**
*   **拼尿變形計算 / 拼尿刪訊 / 拼尿核心要求 / 拼尿變形計算 / 拼量進行按原判斷與分離打分 / 拼尿變形計算 / 拼尿核心要求 / 拼量進行按原判斷**：疑點，可能為 "批量"、"平行" 或 "一次性" 的聽寫錯誤，結合上下文 "Deformed Calculation"，可能指 "一次性變形計算" 或 "批量變形計算"。
*   **RLCD**：疑點，需查證具體訓練方法縮寫。
*   **知性度 / 自信度 / 知情度**：疑點，可能指 "Confidence"（置信度/自信度）。
*   **伏點數 / 非诊数打分值**：疑點，可能指 "浮點數" 或 "非整數打分值"。
*   **truth**：疑點，可能指 "choice" 或 "result"。
*   **sultrime**：疑點，可能指 "summary" 或 "structure"。
*   **評鑑**：疑點，可能指 "評分"。
*   **年文本幻覺 / 年文本幻觉**：疑點，可能指 "無文本幻覺"。
*   **寧格式錯誤 / 宁格式错误**：疑點，可能指 "無格式錯誤"。
*   **校准级概念**：疑點，可能指 "置信度概念"。
*   **直接预计分支**：疑點，可能指 "直接預測分支"。
*   **低分支可以人工复制**：疑點，可能指 "低分支可以人工介入"。
*   **输出你的费用**：疑點，可能指 "输出你的结果" 或 "输出你的费用"。
*   **年纪年4万美元**：疑點，可能指 "0.04万美元"。
*   **汉缩入门**：疑點，可能指 "快速入門"。
*   **API-KIT**：疑點，可能指 "API-KEY"。
*   **上线文**：疑點，可能指 "上下文"。
*   **street 的客戶 / Strip 賬戶**：疑點，可能指 "Stripe 的客戶/賬戶"。
*   **储藏 储藏 這麼一個信息**：疑點，可能指 "存儲"。
*   **非诊数打分值**：疑點，可能指 "非整數打分值"。
*   **年点88**：疑點，可能指 "0.88"。
*   **爱**：疑點，可能指 "0"。
*   **電帶分控**：疑點，可能指 "電商风控"。
*   **AOT 設備**：疑點，可能指 "IoT 設備"。
*   **榨紙調用**：疑點，可能指 "批量調用"。
*   **降业预示**：疑點，可能指 "業務預警"。
*   **拼離核心要求**：疑點，可能指 "偏离核心要求"。
*   **拼量進行按原判斷**：疑點，可能指 "批量進行按原判斷"。
*   **一次請就變形處理所有**：疑點，可能指 "一次請求就變形處理所有"。

## 可延伸追問

1.  TypeSafe AI 的創始人 Digo 的真實姓名及背景是什麼？
2.  RLCD 訓練方法的具體技術細節和論文是什麼？
3.  Jev 模型在 `choose` 類型中，當置信度低於閾值時的具體處理邏輯是什麼？
4.  Wassel, Cloudflare, LongChang 等平台上集成 Jev 的具體案例和性能數據為何？
5.  Jev 模型與 GPT/Claude 組合使用的最佳實踐架構是什麼？
6.  Jev 模型在處理超過 255 個選項時是否有替代方案或擴展機制？