Jev 的核心設計理念
Jev 由前 OpenAI 研究員創立，其核心特點是「刪除了語言能力」。它不寫文章或程式碼，而是專注於解決大型語言模型（LLM）「廢話太多」且昂貴的問題，被定義為專門處理快速、直覺判斷的 System 1 模型。
這部在講什麼知識講解
介紹由前 OpenAI 研究員開發的新型模型「Jev」，它透過捨棄語言生成能力，實現了極速、極廉價且具備強型別輸出的 AI 決策機制。
適合誰需要高頻率、低延遲決策功能的 AI 開發者。
關鍵概念了解 Jev 的強型別輸出原理、區分 System 1 與 System 2 模型差異、認識信心校準技術 RLCD。
最值得看01:34 深入解析 Jev 如何將非結構化文本轉化為強型別輸出。
概念地圖
概念與關係意義優先，時間戳用來導航
強型別輸出的技術優勢
與傳統模型輸出整串文本不同，Jev 的輸出被嚴格限制在選擇（Choice）、分數（Score）或布林值（New）中。這種設計使其如同強型別程式語言，從數學上杜絕了型別錯誤與幻覺，讓開發者能直接將其結果整合進系統。
性能與成本的驚人突破
由於不需生成大量 Token，Jev 的運行速度比傳統 LLM 快 200 倍，成本則便宜約 440 倍。這使其適用於極速應用場景，如遊戲中 NPC 的即時行為決策，或是在毫秒級別內完成大規模的內容自動審核。
RLCD 信心校準機制
為了提升判斷的可靠性，Jev 採用 RLCD（校準決策強化學習）技術。每個回應都會附帶一個信心數值（Confidence Number），模型會誠實反映其判斷的把握程度，而非像傳統聊天機器人那樣即使答錯也表現得極度自信。
開源挑戰與技術爭議
儘管 Jev 受到資本青睞，但社群中也出現質疑聲浪，認為其本質與早期的零樣本分類器相似。目前已有開發者推出 OpenJev，證明只需提取現有開源模型（如 Qwen）的輸出機率，不需額外訓練即可達成類似的強型別決策效果。
讓下一支影片也替你省時間
把你常看的 YouTube 影片，也變成這樣的重點摘要
安裝摘要王後，打開任何 YouTube 影片就能一鍵整理重點，先看值得看的段落，不必再複製網址。
用摘要王先看重點，把時間留給想看的段落。免費註冊，我們會把 YouTube 電腦版安裝連結和教學寄到你的信箱。
免費註冊，再送 5 小時影片摘要額度・30 天有效
使用 Google 免費開始・每個新帳號限領一次
一個選填問題
剛才這份摘要有幫你節省時間嗎？
如果願意，點一下最接近你的感受就好。
謝謝，你的回答會幫我們把摘要做得更有用。
延伸思考摘要王的延伸觀點
影片提到 Jev 是一種專注於「直覺（System 1）」而非「推理（System 2）」的模型。這種分類方式點出了一個有趣的趨勢：當前業界過度追求 LLM 的複雜推理與生成能力，卻忽略了許多工業級應用（如點擊流分析、即時反欺詐）其實只需要極速、低廉的分類判斷。Diego Almeida 選擇「刪除語言」來極大化效率，反映了 AI 發展正從「全能聊天機器人」轉向「專業結構化工具」。
這也引發一個值得思考的點：當模型變得更「強型別」且不可對話時，它是否還能保有 LLM 對語境（Context）的深層理解力？如果 OpenJev 的存在證明了只需讀取既有模型的輸出機率就能達成效果，那麼 Jev 高達 4000 萬美金的融資，其護城河究竟是獨家的 RLCD 訓練數據，還是僅僅是對現有分類技術的一次成功包裝？這對那些考慮將 AI 整合進核心業務的開發者來說，是一個在「付費服務」與「自行建構」之間權衡的重要課題。
生成於 8 小時前
檢舉
觀眾怎麼看
整理 40 則有效留言信心 高觀眾對 Jev 模型持保留態度，認為其本質僅是傳統分類器技術的重新包裝，並對其宣稱的創新性提出質疑。
多數觀眾認為 Jev 並非革命性突破，本質上僅是傳統的多類別分類器（Classifier）或機器學習模型，與過去的郵件過濾技術無異。
觀眾對影片中強調「AI 改變世界」的行銷語氣感到厭倦，認為這類宣傳手法過於老套且缺乏實質新意。
有觀眾指出類似的零樣本分類模型（如 GLINER-2）早已開源且存在已久，並非該研究員獨創。
觀眾質疑該模型在處理複雜運算時的準確性，並對其宣稱的「無幻覺」特性表示懷疑，認為其仍存在機率性錯誤。
留言樣本多為諷刺性評論，可能無法完全反映技術細節的客觀事實。