Jev as a divergence terminal and wave-function collapse
A long post compares Jev to a divergence terminal and wave-function collapse: it outputs only probability distributions over Choice, Score and Noul primitives for a finite set of options, making one global decision at a time.
Jev，波函数坍缩，和分歧终端机 Jev 和分歧终端机有异曲同工之妙。 把复杂的输入、情境、问题，抽象为一个结构化的输出——胜负 or 平局两种结果，本质上是石头/剪刀/布的概率分布。 在极其擅长做加法、冗余输出的通用 llm 面前，Jev 这种极简的、解构主义的模型变得极其有美感，INTJ 看到这种东西很难不上头。 通用 llm 在海量词表空间中逐字、链式预测下一个 Token 的条件概率。像 moba 游戏中，每走一步只点亮附近的战争迷雾。因此上下文至关重要，前面错了，后面会越走越偏。失之毫厘，差之千里，类似于蝴蝶效应。 Jev 是在给定当前状态（Context/State）的全局视图下，只输出这三个原语（Choice 选择, Score 打分, Noul 对错）在有限选项上的概率分布——相当于在某个时间切片，对全局地图做一次 zoom out 式的扫描+评估。 一切都关于概率。 通用 llm 把概率叠加态坍缩成一个 token 接一个 token，但只能点亮局部战争迷雾。而 Jev 是让整个状态进行一次性、全局性的波函数坍缩，约等于瞄一眼全局地图。 从这个角度看，Jev 本质上是一种 harness over harness——llm-as-harness，提供情报分析+结构化数据库+决策引擎，让 llm 具备开地图的能力。 重点是，这种能力的成本极低，导致不用做「选择的选择」——不用判断哪里值得开地图，使劲用就好了。 相比传统 llm 自回归的链式 Token 生成，Jev 采用非自回归架构，其最终决策与概率几乎瞬时生成。“代码 - Jev - 代码” 的闭环，能彻底根除文本解析开销与幻觉风险，让工程开发与验证实现毫秒级相应。 传统 llm 得以从低价值的路由和判断碎活中解脱，专攻长上下文推理、多模态处理，或对 Jev 概率输出进行二次对齐/兜底等高价值任务。 以上。 暴论收个尾，Jev 是新的 GPT moment。
This post quotes another post: x.com/zkwifsats/status/2101722030114771062