用 Jev 做股票与加密货币自动交易决策
作者把 Jev 接入 Codex 与 Grok bot，用 Choice/Score/Noul 输出给交易场景做快速判断和打标。
[AI日记]如何搞懂最火交易大模型Jev？3700 万人围观的 Jev：AI 的下半场，不属于"更会说话"的模型！ 现在所有大模型都在拼更会说话、更会写、更像人，JEV 直接反着来，它根本不生成文字，只负责做判断和决策。目前在官网就可以申请：http://typesafe.ai，或者也可以在 vercel 上自主调用。准备把它列入 Grok bot ，帮助我在某些交易场景做快速的判断和打标，我已经开始用JEV帮我决策自动交易股票和加密货币了。 如何玩转Jev： 1、官网申请加入waitlist，基本上申请当天能过。🔗：https://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”。 这个 9 月，大模型圈"神仙打架"：GPT、Claude、Gemini 轮番上新。但过去一周，真正刷屏全网、让开发者集体兴奋的，却是一个一句话都不会说的模型——Jev。 它 9 月 15 日发布，发布推文浏览量迅速突破 3700 万、点赞超 6 万；接入 Vercel AI Gateway 后 24 小时内，近 13% 的付费团队已经用上了它——这是该平台历史上采用最快的一次模型发布。 更反常识的是它的"简历"：不会聊天、不会写代码、不会写周报，甚至连一个标点符号都吐不出来。 一个"哑巴"模型，凭什么？ 01 Jev 是什么？一个"只做判断"的模型，我们平时用的所有大语言模型，工作方式都一样：输入一段文字，然后一个 token 一个 token 地往外"写字"，每个字都依赖前面的上下文，直到它觉得可以停下来。这种方式叫自回归生成——好处是极其灵活，坏处是慢、贵、不可控。 Jev 完全不是这个路数。你给它一段状态（一封邮件、一条用户消息、一个页面快照），再给它一组提前规定好答案类型的问题，它会在几百毫秒内把所有问题的答案并行算出来——每个答案都带着一个校准过的概率值。 它的输出只有三种形态：Choice——从你定义的选项列表里选一项（最多 255 个），适合路由和分类；Score——按给定标准打分；Noul——返回一个是/否的概率。 官方对它的概括非常精炼：非结构化状态进去，带类型的概率决策出来。它负责判断，下一步做什么，由程序决定。 TypeSafe 把它定义为全球第一个 System One Model。这个概念借自卡尼曼的《思考，快与慢》：系统一是快速的、直觉式的判断；系统二是缓慢的、深思熟虑的推理。过去三年，全行业都在拼命卷"系统二"，Jev 返璞归真，专心做"系统一"。 02 快 200 倍、便宜 400 倍，怎么做到的？关键就一招：把"写字"这件事彻底砍掉。 传统大模型哪怕只需要一个 JSON，也得逐字把内容"写"完，程序再从中解析出字段——你明明只想知道"这封邮件该转给哪个部门"，却要让一个千亿参数的庞然大物花几秒钟把答案一个字母一个字母敲出来。Jev 不生成任何 token，直接计算各候选答案的概率，同一份输入里的多个问题还能并行处理。 省掉"写字"之后，数字变得相当夸张：端到端响应 70—500 毫秒；内部工作流评测最高测出 193.6 倍的速度优势、444.6 倍的成本优势；输入价格为每百万 token 0.042 美元，而输出 token 永久免费——因为压根没有输出文本。有网友实测同一批打标任务：28 秒，Jev 刷完了 428 条数据，某主打速度的大模型才做到第 6 条。 名字也藏着野心。Jev 取自 19 世纪经济学家杰文斯（Jevons），暗合著名的杰文斯悖论：智能的使用成本暴跌，将带来智能用量的暴涨。 03 幕后的人：教 ChatGPT 说话的人，亲手让 AI"闭嘴" Jev 的创始人 Diogo Almeida，履历堪称"最懂怎么让 AI 开口说话的人"：OpenAI 前研究员，2022 年 InstructGPT 论文共同作者，RLHF（人类反馈强化学习）的核心贡献者之一——正是这套技术，让大模型学会"听懂人话"，催生了 ChatGPT。 但亲手把行业推向繁荣之后，他却越来越怀疑这条路线："我们在处理人类语言方面表现出色，但这对自动化没有用处——因为计算机使用的是另一种'语言'。" 两年前，他离开 OpenAI，与 Erik Gafni、Sasha Sheng 创办 TypeSafe AI，公司一直隐身运营，直到本月才携 4000 万美元种子轮融资（DCVC 领投）和 Jev 正式亮相。 更有意思的是训练方法的迭代：Jev 采用全新的 RLCD（校准决策强化学习）——这本身就是对 RLHF 的反思。RLHF 让模型学会讨好人类，RLCD 则要求模型不只判断得准，还要诚实表达"我有多确定"：它说 70% 把握的事，就应该大约对 70%。这种"校准过的概率"，才是下游代码敢直接写 if 的前提。 04 它能干什么？从打 Doom，到给 Agent 当"裁判" 最出圈的是一段游戏演示：Jev 全自动玩起了射击游戏《毁灭战士》（Doom）——遇敌转向开枪、遇障换路绕行，动作流畅丝滑。它每秒做出约 10 次决策，而玩一小时的成本只有约 7 美元。注意，这用的还不是游戏特化版，而是通用模型。 开发者真正兴奋的，是把它塞进过去大模型"硬扛"的环节：模型路由（这个问题该派给哪个模型）、Agent 执行控制（下一步继续还是停）、风险筛查（这条命令危不危险）、输出检查（大模型的回答靠不靠谱、防越狱）。有工程师把 Jev 称为"AI 原生的 if 语句"——用置信度取代硬编码阈值，超过 95% 就自动执行，拿不准就转人工。 真实替换案例已经出现：Vercel 的工程师把命令安全审查分类器从 OpenAI 的模型换成 Jev 后，速度提升 5—18 倍，准确率还更高。 当然它也有"人设边界"：第三方快棋赛上，Jev 靠速度优势把对手耗到超时获胜；但面对顶级推理模型，18 步就被将死。它不擅长深算，只擅长快判——这恰恰是设计出来的。 05 冷静一下：边界、争议，与真正的信号 泼冷水的人不少："这不就是一个 JSON 分类器吗？"实测也确实有边界——有开发者对比发现，在商业邮件分类任务上 Gemini 准确率略高（但成本贵 10—20 倍）；Jev 目前只接受文本和 JSON，不支持图片、音频、视频；服务尚未向中国大陆开放，API 还一度被激增的需求挤到短暂暂停。 但市场的信号已经很明确：48 小时内，社区冒出 6 个开源复现版本，架构路线各不相同；9 月 19 日，中国企业 APUS 旗下实验室也公布了全球首批开源复现成果 fast-browser-use，纯本地、离线可跑，代码以 MIT 协议开放。 所以，真正值得关注的也许不是 Jev 本身，而是它验证的那个架构判断：生成归大模型（系统二），判断归决策模型（系统一）。昂贵的大模型负责规划和创作，高频、原子化的"快判断"交给轻量模型——Agent 的"快慢分工"时代，可能就此拉开序幕。 回到那个杰文斯悖论：当"下一个判断"变得像水电一样便宜，AI 才真正具备渗入每一个软件毛细血管的条件。大家都在培养全能的作家，TypeSafe 偏偏训练了一个只管打分的裁判——而每一场比赛，都离不开裁判。 目前 JEV 还在 Early Access，感兴趣的同学可以先去加入白名单等体验。 加入我的社区，一起成长，带你跨境/出海，用资本的视角看世界。如果需要更多海外生活、跨境出海、资产配置，可参考教程，Y/X@vivimoneya #JEV #TypeSafe #Agent #EarlyAccess #ChatGPT #OpenAI #Gemini #Claude #大模型AI
这条是引用着另一条写的：「ChatGPT 联合发明人发布新模型 Jev」