Jev is unsuited to core quant trading but works as a risk gate, tests suggest
After looking into Jev, the author concludes it cannot handle signal calculation, position sizing or order execution, but fits as a text event classifier and human-confirmation gate around a trading system, with other uses in support triage, content moderation and agent safety layers.
Jev 最近讨论很多。我也唱个热闹，我最关心的是这玩意儿能不能能用它来做自动量化交易。但是我研究了一圈，我觉得非常不适合。 我们先说说什么是Jev?和它最适合做什么。 Jev 是 TypeSafe AI 推出的模型，官方叫它 System One Model。它和 ChatGPT、Claude 这类通用大模型不是一路：不负责写文章、闲聊、写代码，也不负责替你做开放式分析。你给它一段输入，再给几个事先定好的问题；它返回的是固定类型的答案，以及对应的概率。更贴切的类比是：顾问负责把事情说清楚，分拣员负责尽快做出一个程序能直接用的选择。Jev 偏后者。 但是它真正吃香的地方，是问题窄、选项死、调用勤。比如这封邮件算不算垃圾邮件，这张工单该进销售、技术还是财务，这次客户问题要不要升级人工，这条内容属于哪一类、风险是低中高。规则写太死容易误伤，每次都调大模型又慢又贵，还要再解析输出。Jev 卡的就是中间这层：语义还能懂一点，输出却必须规整，方便嵌进现有系统。 我也看了很多人写了很多的应用场景。但是我更觉得它最适合的是这四类场景：客服和业务流程做分流；内容审核和标签体系做初筛；AI Agent 在调用工具、改文件、发邮件前做一道允许、拒绝或升级的门槛；以及每天要处理大量文本时，用它先做主题、意图、情绪、广告嫌疑这类固定分类。你要把它当后台组件，但是不能把它当成聊天版的全能助手。 用 Jev，我们的目的就是为了省钱和更高效的变现，逻辑其实一样：别让贵的模型干简单判断。把海量选择题，选哪一类，从通用大模型里拆出来，用 Jev 去跑，通常更能压延迟和费用；人只处理不确定和高风险的那一小截。如果要做成产品，真正流通的，卖的最好也往往是分流中台、审核管道、Agent 安全层这类能力，卖吞吐、可控和接入成本，不是卖会不会聊天和创意生成等。 所以呀，有一批活它明显不合适，比如写作、脚本、研报成稿、逻辑推理等不是它的活。从零做方案、复杂规划、开放式头脑风暴，也不适合。数学、计数、精确价位、日期运算、仓位和回测指标，这些更应交给普通代码。多层绕弯的推理、提示含糊、选项没定死，以及以中文为主的任务，官方材料里也提示过准确率更吃亏。 刚说Jev 不适合做量化交易，先交易真正核心的东西是什么？ 是价格、成交量、盘口、因子、仓位、止损、风险敞口。 这些东西本质上是数字和规则。而它不适合做核心信号计算、仓位计算、订单执行和高频交易，但适合作为交易系统外围的文本事件分类器或风控 Gate。 Jev 不擅长精确计算；它的确定的执行是输出格式确定，不是信号一定赚钱。响应多在几十到几百毫秒量级，对业务分拣够用，对拼盘口延迟的高频执行远远不够。更稳妥的用法，是策略和代码先给出候选信号（止损必须先有），Jev 最多在旁边做一道窄门：例如这条信息是否推翻当前假设、要不要人工确认。我们人来做交易系统执行；过不了就观望。 简单来说，我们可以用通用大模型负责表达、推理和生成；用Jev 负责在限定范围内快速选择；数字、风控阈值和最终执行继续留给代码。可以把它当成分拣员，不能把它当成操盘手。 如果你有确定的 Skill 工作流，和 Jev 也很合拍，前提是流程写死、节点清楚，Jev 负责节点上的窄判断。比如珠宝广告、短视频这类 Skill，真正写文案、写脚本、出创意的还是大模型；Jev 更适合夹在中间做分拣和门槛。 比如一条广告 Skill 里可以这样拆： 用传统大模型：按模板生成标题、卖点、口播稿 用Jev：材质、人群、风格选哪档；这一版过不过审；发小红书还是抖音；要不要人工改 代码或者规则，比如：字数、禁词、价格字段、导出格式 短视频 Skill 同理：分镜和文案用大模型；选题是否过时、是否违规、完播潜力档位、是否重拍，用 Jev。 一句话：Skill 定流程，大模型干活，Jev 做选择题。生成珠宝广告或短视频，加上 Jev 会更稳、更省调用；指望 Jev 直接写出爆款文案，方向就反了。 以上是我对 Jev 的理解和建议，希望对你有所帮助。