AI分类 · Jev实测 TypeSafe刷屏的Jev全面开放！100种玩法介绍，还有保姆级使用教程 LLM版的BERT+分类头？ 刀友们好，我是刀哥！ 周末Jev改变世界了，国内的很多公众号不明所以就在刷，也没看到他们分析原理，下场使用，都是转发x上的例子和观点。我这篇教程讲清楚Jev到底是什么？怎么用？我用它实际做了一个情侣养成游戏做测试，并介绍目前流行的100种玩法。还会讲它是不是炒作？创新点在哪儿？ 1 Jev是什么？ Jev 是前 OpenAI 研究员 Diogo Almeida（RLHF 关键作者之一）创立的 TypeSafe AI 于 2026 年 9 月 16 日发布的"System One"决策模型。它不像 ChatGPT 那样逐字写文本，而是对预先定义好的问题，一次性并行返回带校准概率的结构化判断。 要搞懂Jev，需要先了解大模型时代之前的自然语言处理做法：BERT + 分类头，给文本做分类。 BERT 是 Google 在 2018 年发布的一种语言模型，全名是 Bidirectional Encoder Representations from Transformers。 你可以把它理解成：LLM 爆发之前，非常经典的语言理解模型。 它和今天 GPT 最大的区别，是它主要负责读懂，而不是写出来。 举个例子： “苹果发布了新手机，我去商店买了一个。” BERT 会根据上下文理解苹果这里指的是公司，而不是水果。 BERT + 分类头是什么意思？ 假设你要做一个垃圾邮件分类器： 分类头就相当于打分器和概率换算器。先给出 垃圾邮件 2分 ，正常邮件 1分，最后得出来概率： 0.7 , 0.3 。 后来，大模型出来了，变成了 大模型LLM + 输入提示词，得到结构化的输出，什么都能判断。 现在呢？TypeSafe又把判断从生成模型里单独拎出来，做成一个低延迟、概率化、可直接调用的模型：Jev。 TypeSafe 非常聪明的一点是，参考丹尼尔·卡尼曼《思考，快与慢》系统1和系统2的做法，把Jev包装成：System One Models 然后拿它和今天的 LLM 做范式对比： LLM：System Two → 逐 token 思考 → 输出字符串 Jev：System One → 直接决策 → 输出 typed probability 那到底有没有技术创新，准确率咋样呢？ 2 怎么用 我问了chatGPT和Gemini，都给我了错误的地址，搜索出来一堆假冒的网站。还是要看官网： 不用等，都开放了，并且默认都有5美元额度。我们注册完，直接在playgroud就可以用了，官方给了三个问题演示 ： 我选了热狗是不是三明治这个问题，类型选 noul。总共有三种类型： Jev会告诉我们可能性是60%，并做解释。 很无聊的例子，对吧？咱们来做个有意思的,Jev版的哄哄模拟器，灵感来源于这张图 原理和实现都很简单。配置一些常见问题和答案，然后调用Jev去分析，应该采用哪种方式回答，选择概率最大的方式，女友就被哄好了！ 代码很简单，就是一个前端页面+python后端，因为js没法直接调api，会有跨域问题。已经开源，大家可以自取玩起来：shenziru/honghong 3 100种玩法 这个网站收录了400 个基于Jev（TypeSafe 的"快思考"决策模型）的开源项目，有点类似Nano Banana刚出来时的盛况了。 我把榜单前十名的玩法给你盘了一遍。如果说大模型是会深思熟虑的"慢脑"，Jev 就是条件反射级的"快脑"——下面这些项目，全是开发者拿这颗快脑玩出的花样。 1. Jev Ultrafast (browser-use/jev-ultrafast)（11.4k★，断层第一） 浏览器自动化里的"闪电侠"。传统浏览器 agent 每一步都要让大模型慢慢想，它直接让 Jev 拍板"点哪个按钮、选哪个元素"，只把填文字这种小活外包给小模型。效果？在 Google Flights 上订机票全程只要 7 秒左右，快得像开了倍速。 2.fast-jev-compaction (tamaratran/fast-jev-compaction)（5.0k★） 上下文管理的"断舍离"大师。别的方案是把过期的工具调用结果重新总结一遍，它让 Jev 直接判断"这条已经没用了"，然后干脆利落地删掉。上下文更短，模型更清醒，钱包也更开心。 3.SemIf (TheoLeeCJ/SemIf)（2.4k★） 把代码里的 `if` 变成"语义版"。判断条件不再是非黑即白的硬编码，而是"意思上差不多就算"。最妙的是它跑在自家一张 3090 显卡上，开源模型就能玩。 4.jev-trader (jarrodwatts/jev-trader)（1.5k★）