Jev 能做的8件酷事

梯形图转SCL | 自然语言生成梯形图 | 自然语言生成SCL | 梯形图在线查看 | 博途编程文档MCP | AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace

人们正在用Jev审查代码、控制电脑、玩游戏和组织研究。以下是我最喜欢的几个用例。

最近Jev一直在我的社交媒体上刷屏。如果你像我一样关注生成式AI新闻，你可能也注意到了它占据了你的时间线。这个新模型便宜得离谱，速度快得惊人。

但它到底能干什么？

简单解释一下：Jev接收信息，然后回答关于这些信息的结构化问题，返回决策和概率，软件可以直接使用。TypeSafe说它并行生成这些概率，这解释了它的速度：不需要逐个token生成一整段文本。

在这篇文章中，我想看看人们实际在构建什么。以下是八个引起我注意的例子，附带了创建者报告的成本和耗时。开始吧！

1. 以接近零成本审查Pull Request

X用户Paolo Rosson构建了一个代码审查器，将diff（PR中的变更）发送给Jev，一次调用就能得到14项检查结果。这些检查涵盖暴露的密钥、SQL注入、认证变更、删除的测试，以及描述是否与代码匹配。

报告的成本是每次审查$0.00007，响应时间约半秒。按这个速率，审查1,000个PR只需7美分，而创建者之前使用Opus 5的方案大约需要$14.50。

每项检查都以概率形式返回。周围的代码使用这些结果来决定是阻止变更、请求安全审查、标记次要问题，还是推荐合并。

我喜欢它对不确定性的处理方式。当关键检查的概率在0.35到0.65之间时，系统会将其升级给人类或更大的模型。你可以调整这个规则，让审查器更加谨慎。

我会在我的网站项目上尝试这个作为初步审查。小的样式变更可以走轻量级审查，而涉及认证或数据库的变更会得到更多关注。

2. Jev非常擅长电脑操作

Shiv分享了一个由Jev驱动的电脑操作工具，响应时间不到一秒，每次交互成本几乎为零。它还能决定输入什么内容，不需要单独的LLM。

如果代理需要打开菜单、选择字段、在多个屏幕间导航，即使每次操作的延迟很短，累积起来也很可观。

该项目在GitHub上以Third Hand的名义开源。如果你想比较不同的思路，还可以看看Instant Rice Cook的另一个电脑操作示例。

对于这类工具，工程问题是如何将当前屏幕转换为模型可以评估的选择。软件仍然需要识别可用的控件、执行选定的操作，并检查之后发生了什么。

我的第一个实验会在管理后台做一些重复性操作。我有几个关于我的技术博客Zeniteq的好主意。打开一篇文章，选择一个分类，更改一个设置，然后返回列表。我已经知道这些操作应该完成什么，所以很容易发现错误。

如果它能在报告的速度下可靠地处理这个序列，我有很多无聊的工作可以交给它。

3. 在整个网站中查找内链

另一个X用户用Jev在一个工作流中读取了586个网页，并在45.1秒内重建了内链地图。

这次运行放置了584个链接，花费$0.21。

它还拒绝为139个页面添加链接，因为它找不到合适的匹配。这个细节比页面数量更让我感兴趣。

你可以构建一个工作流，收集候选页面，让Jev评分它们的相关性，然后在读者能从更多上下文中受益的地方建议链接。我希望它能同时显示建议的锚文本和目标，这样我就能判断链接在句子中是否自然。

想象一下，阅读一篇AI编码工具指南时，发现一个指向MCP详细解释的有用链接。这就是我想要的那种关联。仅仅因为两篇文章都提到AI就把读者送到不相关的文章会让我恼火。

我会从Zeniteq上的预览建议更改开始。然后我会审查一个样本，特别是添加到旧文章中的链接，因为周围的上下文可能也需要更新。

报告的运行演示了内链工作，这是SEO审计的一部分。它并不能建立排名改进。对我来说，立即的吸引力是让有用的文章更容易被发现，同时减少搜索自己档案的时间。

4. 以每页约$0.001的成本分类税务文档

另一个用户围绕Jev构建了一个税务文档分类器，报告成本约每页$0.001。与团队之前的LLM管道相比，它便宜34倍，速度快6倍，语料库中的每个文档都正确分类。

分类器读取页面文本，让Jev使用预定义的表单描述来识别文档。这为软件的下一阶段提供了表单类别和置信度值。

开源仓库为准确性声明提供了有用的上下文。其发布的评估报告显示，314个已填写的表单页面中没有错误。

另一组753个空白表单页面没有错误标签，但有38个页面低于置信度阈值，被计为严格错误。

我很欣赏能够看到这种区分。需要再次查看的页面与自信地发送到错误位置的页面是不同的结果。

这可能是这里最不起眼的例子，但我可以想象一个团队从中获得的日常价值比游戏演示更多。对数千页进行分类是重复性工作，分类错误可能会将流程的其余部分引向错误的方向。

我也很好奇尝试同样的方法处理发票或收据。仔细定义类别，检查不确定的结果，衡量还剩多少手动分类工作。

5. 同时玩50局地铁跑酷

我在X上看到的第一个有趣用例是Max Blade用Jev玩地铁跑酷，他描述为超人速度，还有一个同时进行50局游戏的演示。他说这次运行花费不到一美分。

这种实验让我想亲自试试这个模型。游戏提供了一种快速方式来查看一系列决策是否有效：角色要么避开障碍物，要么直接撞上去。

对于跑酷游戏，可用的操作是有限的。控制器可以评估当前情况，选择改变车道或跳跃等操作，然后随着游戏进展重复执行。

周围的软件仍然需要提供可用的游戏信息并执行每个动作。视频片段的性能取决于整个设置，所以我不会假设Jev可以简单地观看任何游戏并同样好地玩它。

JP Schroeder有一个相关的驾驶演示，他描述用Jev在不到一小时内重建特斯拉全自动驾驶。对于一个实验来说，这是一个雄心勃勃的描述，在将其与在实际道路上驾驶的系统进行比较之前，我需要更多证据。

就个人而言，我会坚持游戏和模拟环境。我很想构建一个小的浏览器游戏，让几个角色对同一情况做出不同反应，然后看看改变他们的决策标准会影响什么。

一个谨慎的角色可以早期避开障碍物，而另一个采取更冒险的路线。观察这些行为的出现会很有趣，而且小的动作空间会更容易理解为什么每个角色做出了错误的移动。

6. 更快地清除代理的上下文

Tamara Tran用Jev来处理压缩——即减少代理带入下一轮的对话历史的过程。她的项目对工具调用和结果进行评分，然后删除或缩短被判断为不必要的材料。

保留的内容保持其原始措辞。对于编码工作，我喜欢保留确切的错误消息或命令，同时清除已经完成使命的旧输出的可能性。

代码在fast-jev-compaction中开源。其文档行为包括保护最近的消息，保持调用与其结果配对，并在生成的对话中保持用户和助手文本不变。

一个长时间的编码 session 会积累很多我通常会丢弃的材料。早期的测试输出在修复后可能变得不相关，旧的文件读取可能已经被多次编辑所取代。保留所有这些会让对话变长，而不一定有助于下一个决策。

困难的部分是决定你以后需要什么。早期工具结果中看似微小的细节可能解释任务中更远处的失败。

我会通过在压缩后返回早期需求并检查代理是否有足够的信息来遵循它来测试这一点。速度很好，但反复重新打开文件会吞噬节省的时间。

另外，"即时"描述了演示的雄心。仓库允许较大的历史记录需要多个请求。我会在实际session上测量暂停时间，然后再决定它感觉快了多少。

7. Jev作为交易机器人

Jarrod Watts构建了一个机器人，使用Jev来决定是否从资产对的价格数据中买卖。他说它通过Monad上Kuru的订单簿执行真实交易，目标是该链的300毫秒区块间隔。

模型提供决策，周围的应用程序处理订单。这是一个有趣的演示，展示了模型的输出可以多快地馈送到另一个软件中。

你还可以查看Jev Trader演示。公共页面包括一个干运行模式和一个固定指令，每个区块在MON/USDC订单簿上提交买单或卖单，没有弃权选项。

机器人必须选择一边，所以总有操作可以观察。然而，对于评估交易策略，我想将这种行为与允许观望的版本进行比较。

我更感兴趣的是这里的实现，而不是赚钱的可能性。快速的买卖决策几乎无法告诉我们这个决策是否有利可图。你需要随时间推移的结果，包括交易成本以及价格朝不利方向移动时发生了什么。

我自己的实验会留在模拟中。我会记录每个决策，与简单的固定策略进行比较，并看看模型在哪里反复做出糟糕的选择。

即使是无利可图的结果也能教会你一些关于构建响应式决策循环的知识。我只是想在对交易部分感到兴奋之前，看到性能图表旁边有延迟图表。

8. 整理超过1,000篇AI研究论文

X用户Hassan用Jev对1,018篇AI研究论文进行分类，报告总分类成本为$0.08，每篇论文的端到端中位延迟为256毫秒。完成的项目让读者可以通过主题探索该集合。

工作流首先用DeepSeek V4 Flash总结论文。然后将每个标题和摘要与24个可能的主题一起发送给Jev进行分类。

摘要通过Together AI花费$3.99，而Jev分类调用通过TypeSafe花费八美分。这使得报告的推理总计为$4.07。

这可能是我最喜欢的例子，因为我实际上会使用类似的东西进行文章研究。可搜索的集合很有帮助，但浏览主题可以发现你不知道要搜索的论文。

我还喜欢理解每个模型的工作是多么简单。DeepSeek创建摘要。Jev使用这些摘要和标题中的信息分配主题。

对于我自己的版本，我会从一个围绕AI编码代理的较小集合开始。然后我会在浏览时调整类别，看看它们是否帮助我找到相关的工作。我很乐意花几美元实验一个围绕我涵盖的主题构建的研究工具。

最终想法

Jev对我来说感觉像是2026年迄今最大的AI突破。看到人们用它进行代码审查、电脑控制、文档分类和游戏，让我思考有多少日常任务可以从快速、便宜的决策中受益。

成本是我兴奋的一个重要原因。Vercel让它在9月25日之前免费，这太棒了。开发者可以探索那些如果每个小决策都需要昂贵的模型调用就很难证明合理的项目。

在演示之外，这些项目工作的可靠性还有很多需要了解。但我喜欢人们已经在做的事情，特别是当他们将Jev与其他模型结合使用时，比如研究论文的例子。我很好奇这些实验中哪些会成为我们最终每天使用的工具。

你怎么看？Jev是你会在自己的项目中使用的东西吗？

原文链接：8 Cool Things People Use the Jev Model For

汇智网翻译整理，转载请标明出处