🚙 正在研究 jev 团队的官网 团队的核心理念是「Build Prof, Not God」，核心团队一共三位，都是 Research 工程师出身。 Founders： 在“正经”的个人介绍旁边，附带了每人的「Fun Fact」（好像桌面上随手打开的小工具啊!😋），比如小学时候获得国际象棋比赛第44名，23年赢得了7场黑客松比赛、喜欢咖啡因，喜欢玩《炉石传说》🎮 并且曾经打榜到top 2 Culture： 个人感觉水话比较多 🤔 大致的意思就是待遇不错、相互帮助、一起成长，做有意义的事情 Values： 我很喜欢这部分！！！🤩 1. 积极乐观的长期主义伙伴，团队获得胜利的时候，所有人都是赢家 🫵 2. 以赌局的方式思考问题 🤔 良好的决策往往伴随诸多的不确定性，要把长远目标优先于短期利益。（依然坚持长期思维） 3. 第一性原理，希望每一个决定都源于清晰的思考，并且符合价值观和团队文化。（jev 团队真的很喜欢 💅 这个 emoji） 4. 把学习放在首位，成功的关键在于尽可能了解自己、团队、工作流程、产品、市场以及实现目标相关的所有方面。（这点很认同，快速学习是非常重要的，能够应对不同的团队和市场环境） 5. 热爱自己所从事的工作，也想寻找那些同样有热情的人，愿意接受挑战的人！ 6. 情感是人类本质的核心组成部分，也是激发我们对所从事工作的热情的源泉。我们制造机器，但并不试图成为机器本身。（aaa 很认同！） 让 Astra 研究了一下这个团队的主页设计风格 👇 GPT：“对！🤓 我会把它归为「复古桌面界面（Retro Desktop UI）＋新粗野主义（Neo-brutalism）」的混合风格。” 打孔卡、机械线稿、老电脑的界面风格、现代化的表达... （🤔 好多元素） GPT 说一句话概括整个品牌风格就是—— 计算机历史感 × 复古技术美学 × 一点极客幽默 🤯

可靠和自动化是 Jev 创始人的原话，安静是我的评价☺️

这篇应该是这几天全网把 Jev讲的做好的文章了。 过去三年我们几乎把生成式大模型当成了手里的万能锤子, 哪怕面对一个最简单的单选判断, 也要硬生生调一次几毛钱的通用大模型。 技术大牛 @akshay_pachaar 刚发出的这篇长文直接扯掉了这层遮羞布: 一个连一句完整对话都说不出来、甚至不会写一行代码的模型, 为什么刚上线就把全网架构师看燃了? 因为不能生成长文本, 恰恰是它最可怕的工程杀手锏。 绝大多数企业软件从来不需要另一个陪人闲聊的聊天框。 一个复杂的智能体在后台跑起来, 往往需要做成千上万次细碎的边界判断: 这张工单紧急吗、该挑哪个模型处理、这条命令有没有危险。 传统大模型的致命死穴是自回归生成。 哪怕最终答案只有一个单词, 它也必须在云端一个字一个字往外吐 Token, 遇到 JSON 格式错误还要重试。 调专做强类型决策的 Jev 之后, 所有的判断逻辑全部变成了一组确定的输入状态与候选问题, 输入百万 Token 仅四分钱且输出完全免单, 官方测算下延迟直接压进几十毫秒, 成本最高被砍去了 400 倍。 更耐人寻味的是它对幻觉的重新定义。 很多人鼓吹它彻底消灭了幻觉, Akshay 极为冷峻地指出了真相: 它只是在格式上百分之百免疫幻觉, 绝不可能吐出未定义的选项或者破损的文本, 但它依然可能在合法选项里选出错误答案。 这正是这套架构最值钱的地方: 它不仅交出单选结果, 还给出一整套精确校准的置信度分布。 开发者在代码里终于能写出极度理性的防线: 高置信度直接自动放行, 中置信度唤醒大模型二次复核, 低置信度无缝移交人工。 它在智能体里最绝的三个卡位, 彻底把大小脑分工跑通了: 最上游充当路由器, 替请求分流最便宜的模型; 中游充当执行闸门, 在执行高危终端命令前一秒完成风控拦截; 下游充当质检员, 监督复杂任务到底有没有真正跑通。 以前是软件迁就大模型的自回归废话, 从今天起是大模型适配工业软件的确定性分支。 那些为了判断用户意图动不动就要等三秒的慢路由, 早就该换成这种纯粹的语义开关了。

如何用上Jev： 1、官网申请加入waitlist，基本上申请当天能过。 🔗：typesafe.ai 2、告诉你的Codex：安装npx skills add typesafe-ai/skills –skill typesafe-ai。 3、回到操作台，建立API Key。 4、在 prompt 里说一句 “use the TypeSafe skill”。 试了下，Jev 是真的快！目前虽只支持多模态，但已经能感觉到很多老场景要被重新盘活了！！！

Jev可以根据给定的文本做决策 欸 那我拓展一下它的分类数量，给定一个问题，让它从词表里面决策最合适的第一个词给我如何 但是这样不能完整回答啊 把它回答的词再追加到输入继续问不就行啦 恭喜你发明了，大语言模型 ❍⩊❍

Jev 的官网还挺好看的说

最近好多伙伴在讨论 Jev 🤔

TypeSafe Jev 连同他们的 taste 都很 nice 👍

花了点时间，做了个德扑博弈，让 Jev 跟其他大模型来做博弈 虽然还没看出来谁更厉害，但是 Jev 的决策速度是很快的 体验地址：https://jevcases.com/texas-holdem/

有人测了 DiffusionGemma-as-Jev 实现的性能。发现 DiffusionGemma 性能还不错

几个月前和一个做 diffusion 的团队聊天，当时我们都很迷茫：Transformer 自回归已经做到了这个份上，还有什么是它做不了的？为什么还要坚持做 diffusion？ 直到最近 Jev 爆火 一次前向填完所有答案槽，跟 LLaDA、DiffusionGemma 这类离散 masked diffusion 逻辑高度一致。 开源社区（OpenJev）用 DiffusionGemma 做 typed JSON 和决策 API，1~2 步去噪就能达到媲美官方的准确率。 现在终于回过味来了

Jev + 输入法 经常在打字的过程中，发现想输入的那个字在输入法的很后面，要找半天，于是测试了一下 jev + 开源输入法鼠须管 / rime，感觉还不错！ 但是 jev 没有预测，无法扩展用户的输入，还得接一个类似 cursor 的 tab 补全模型。

TypeSafe 创始人 Diogo Almeida 公开了一份 Coding Agent 设计草案，希望社区直接拿去实验。他直说团队大概率没时间自己把这些想法都做出来。 这份草案最核心的改动是上下文。现在的 Coding Agent 通常会一直带着之前的聊天、工具结果和代码状态，太长了再压缩或重启。 TypeSafe 想让 Agent 每轮重新判断：哪些内容保留全文，哪些只留摘要，哪些直接丢掉。已有 KV Cache 也不会直接放弃，而是比较继续复用和重新构造上下文哪个更划算。 Almeida 认为，现有 Agent 很多别扭的设计都是被 KV Cache 反绑住了。比如先把任务切给便宜模型，再切回强模型，强模型可能还得重新处理一遍长上下文，路由反而更贵；工具定义长期塞在系统提示词里，也会一直占空间。 如果上下文可以动态重组，模型路由、Sub-agent、MCP 和 AGENTS.md 也能跟着按需加载。简单任务交给便宜模型，需要哪个工具再加载哪个，子 Agent 只拿和自己任务相关的状态。TypeSafe 暂时把这种思路叫「Meta-attention」。

一觉醒来，Jev全面开放

JEV应该会改变信息流广告的生态吧。天才的互动设计会不会就在今年就出现呢？这种“因为有我”而存在的传播形式裂变起来根本不敢想有多大的可能性。

最近jev挺火，和llm在结构上有着区别。主要用于快速决策、分类、判断等任务。于是想着如何和AIGC相结合呢？可以做标书、选角、选品等素材整理，速度极快，批量评估和选择对应的信息。针对于电商出海，做一个AI自动选角的演示，可以从海量的品类、角色中选择相对比较合适的（正在探索中） 注：目前视频的效果为演示效果。今天刚申请了jev的waitlist，但是codex限额了，所以只能出演示效果，实际能否用于工程实践和提效还得等我继续探索。

基于jev做全球导演视觉风格参考，非常适合做AI视频的朋友，参考美学 原文链接：https://x.com/leowenai/status/2103101374628257802?s=46

Jev 最大的好处还是微决策，人脑能瞬间进行三四跳的快速选择，但是对大模型来说一跳30s还think一堆污染上下文，这种情况下Jev显然更有用，比传统二分类更智能，比传统大模型更快。

jev是什么？昨天让gpt帮我画了个图

jev最近很火，有人成功接入到研发流程或者生产系统里吗🤔