這週我覺得最值得關注的新聞就是 JEV 這個模型了：速度極快，只做機率判斷跟格式化輸出。我在 X 上已經看到各種應用，也拿到了早期內測權，馬上要來試用——腦中已經想到很多工作流裡的節點，都想拿 JEV 換掉。
正在用了，非常驚豔。很多原本硬塞 luna、flash lite 去做的語意判斷閘門，benchmark 證明相近，但 JEV 更快更省，準備被我換掉了。
我用在這四個地方
分享幾個我自己覺得很棒的應用：
- 重整瘦身我的 harness，目前全機已經有 1.5 萬段，我的做法是： (1) 正則關鍵字掃不該出現的東西（如日期、負面約束、實錄等等） (2) 用語意向量抓衝突跟重複 (3) 用 JEV 逐條判斷有沒有符合官方 harness 的建議 (4) 信心度低的時候才交由 LLM 裁決 (5) 抓出來的失敗未來都寫成 hook 自動擋下來
-
每天的工作進度跟儀表板自動化工作流，讓 JEV 快速做到分類篩選，以及「這個待辦適不適合交給 AI 做、人最後再來審核」的脈絡判斷。
-
每天半夜都會上網收集大量 AI 圈相關的新聞，讓 JEV 快速幫這些新聞打分數，判斷哪些是雜訊可以篩掉。
- 我的教育產品平台需要創作大量的考試題目，用 JEV 把關這些題目的創作品質跟答案一致性。
三個判斷標準
至於 X 上那些幫查票、幫玩瑪利歐的花式應用，看起來很炫目但不一定要跟風，我建議用以下三個標準來判斷就好：
- 有什麼是你無法單純寫程式篩選，需要靠語意判斷的？
- 有什麼判斷只需要固定的格式答案，不需要一大片輸出的？
- 有什麼是不需要多層高層次推理，只需要快速按信心度分流的？
看到有人說 JEV 終於讓我們看到 AGI，我覺得好好笑——這年頭什麼東西都可以「一個 XX，各自表述」，AGI 毫不意外當然也是。可惜 JEV 不能吃圖。網路上倒是流傳了一張最有創意的 JEV 應用場景想像圖：
