AI分类 · Jev实测

TypeSafe刷屏的Jev全面开放！100种玩法介绍，还有保姆级使用教程

LLM版的BERT+分类头？

刀友们好，我是刀哥！

周末Jev改变世界了，国内的很多公众号不明所以就在刷，也没看到他们分析原理，下场使用，都是转发x上的例子和观点。我这篇教程讲清楚Jev到底是什么？怎么用？我用它实际做了一个情侣养成游戏做测试，并介绍目前流行的100种玩法。还会讲它是不是炒作？创新点在哪儿？

1 Jev是什么？

Jev 是前 OpenAI 研究员 Diogo Almeida（RLHF 关键作者之一）创立的 TypeSafe AI 于 2026 年 9 月 16 日发布的"System One"决策模型。它不像 ChatGPT 那样逐字写文本，而是对预先定义好的问题，一次性并行返回带校准概率的结构化判断。

要搞懂Jev，需要先了解大模型时代之前的自然语言处理做法：BERT + 分类头，给文本做分类。

BERT 是 Google 在 2018 年发布的一种语言模型，全名是 Bidirectional Encoder Representations from Transformers。

你可以把它理解成：LLM 爆发之前，非常经典的语言理解模型。

它和今天 GPT 最大的区别，是它主要负责读懂，而不是写出来。

举个例子：

“苹果发布了新手机，我去商店买了一个。”

BERT 会根据上下文理解苹果这里指的是公司，而不是水果。

BERT + 分类头是什么意思？

假设你要做一个垃圾邮件分类器：

分类头就相当于打分器和概率换算器。先给出 垃圾邮件 2分 ，正常邮件 1分，最后得出来概率： 0.7 , 0.3 。

后来，大模型出来了，变成了 大模型LLM + 输入提示词，得到结构化的输出，什么都能判断。

现在呢？TypeSafe又把判断从生成模型里单独拎出来，做成一个低延迟、概率化、可直接调用的模型：Jev。

TypeSafe 非常聪明的一点是，参考丹尼尔·卡尼曼《思考，快与慢》系统1和系统2的做法，把Jev包装成：System One Models

然后拿它和今天的 LLM 做范式对比：

LLM：System Two → 逐 token 思考 → 输出字符串

Jev：System One → 直接决策 → 输出 typed probability

那到底有没有技术创新，准确率咋样呢？

2 怎么用

我问了chatGPT和Gemini，都给我了错误的地址，搜索出来一堆假冒的网站。还是要看官网：

3 100种玩法

这个网站收录了400 个基于Jev（TypeSafe 的"快思考"决策模型）的开源项目，有点类似Nano Banana刚出来时的盛况了。

我把榜单前十名的玩法给你盘了一遍。如果说大模型是会深思熟虑的"慢脑"，Jev 就是条件反射级的"快脑"——下面这些项目，全是开发者拿这颗快脑玩出的花样。

1. Jev Ultrafast  (browser-use/jev-ultrafast)（11.4k★，断层第一）

浏览器自动化里的"闪电侠"。传统浏览器 agent 每一步都要让大模型慢慢想，它直接让 Jev 拍板"点哪个按钮、选哪个元素"，只把填文字这种小活外包给小模型。效果？在 Google Flights 上订机票全程只要 7 秒左右，快得像开了倍速。

2.fast-jev-compaction (tamaratran/fast-jev-compaction)（5.0k★）

上下文管理的"断舍离"大师。别的方案是把过期的工具调用结果重新总结一遍，它让 Jev 直接判断"这条已经没用了"，然后干脆利落地删掉。上下文更短，模型更清醒，钱包也更开心。

3.SemIf (TheoLeeCJ/SemIf)（2.4k★）

把代码里的 `if` 变成"语义版"。判断条件不再是非黑即白的硬编码，而是"意思上差不多就算"。最妙的是它跑在自家一张 3090 显卡上，开源模型就能玩。

4.jev-trader (jarrodwatts/jev-trader)（1.5k★）

链上高频交易员。每个 Monad 区块出块，Jev 就做一次交易决策，在 Kuru 的 MON-USDC 对上不停地快进快出。决策快到以区块为单位，人类交易员看了要沉默。

5. NanoJev (TianyuCodings/NanoJev)（1.4k★）

手把手教你复刻 Jev。并行决策、动态候选、端到端训练管线全都有，相当于把 Jev 的武功秘籍拆解成迷你版公开课。

6.jevlike (vinnylarouge/jevlike)（1.1k★）

Python 写的 Jev 风格实现，MIT 协议随便用，四天前还在更新，属于"想自己搓一个"的轻量起点。

7. kev (jaredpalmer/kev)（910★）

名字就很诚实：Jev 的"表弟"Kev。基于 Qwen3 搭的一整个迷你决策模型家族，可以自己训练、自己跑，Jared Palmer 出品。

8. reticle (reticlehq/reticle)（769★）

给 AI 装上" runtime 之眼"。AI agent 会写代码，但往往不懂自己写出来的东西跑起来什么样，reticle 把 Jev 式的机器原生运行时感知补上这块短板。

9.awesome-jev-by-typesafe (Anil-matcha/awesome-jev-by-typesafe)（691★）

有证据才敢收录"的玩法百科：真实用例、设计模式、提示词、起步代码一应俱全，适合当入门第一站。

10.awesome-jev (yibie/awesome-jev)（569★）

yibie 维护的社区精选清单，专门收录基于 Jev 的公开项目、集成和讨论，想逛生态先从这里淘宝。

整体看下来，前十名的画像很清晰：浏览器操作提速和给编码 agent 减负是最火的两大赛道，毕竟"快、便宜、输出结构化"正是 Jev 的看家本领；另一半则是"复刻与平替"运动——NanoJev、kev、jevlike 都在试着把 System One 决策模型搬到开源模型上自己跑。

一个有趣的细节：榜单里 awesome 清单类项目扎堆（前十名里占了两席），说明这个生态还处在大家都在圈地开荒的早期阶段。

顺带一句必要的提醒：上面提到的 jev-trader 属于自动化交易类项目，金融市场有风险，这里只是对开源项目的客观介绍，不构成任何投资建议，也不代表任何立场，请务必独立判断、自担风险。

4 结语

Jev的理念是没问题的，包括Claude Code，在做一个任务之前，都会用Haiku这种低成本模型先做一个判断，是否用用户选定的复杂模型去完成任务。智能体里先用小模型分析，再用云端高级大模型处理问题，是常用的做法。Jev只是更进一步，只给选项概率。

跳过逐 token 生成、直接读选项logits的模式本身无护城河。TypeSafe的官方文档都自曝弱点：只认字面、不懂弦外之音；不会算数、数数不准；日期先后比不清；多拐几层逻辑就出错；材料一多就分心（context rot）；不防提示注入；不会写文字；只吃文本，中日韩文不如英文。

如果Jev最后能证明：同等决策质量，它比通用 LLM 快 100 倍，并且便宜 100 倍 ，并且概率校准明显更好 ，能稳定嵌入 Agent workflow

那它就不是炒作，至少是一个很有商业价值的模型分工。

但现在做判断，为时尚早，先用起来，研究起来。期待他们早点放开论文和技术实现。

💬 刀哥问一嘴

你最想用Jev干什么？