这两天最火的话题非 Jev 莫属——参与构建了 RLHF/ChatGPT 的前 OpenAI 员工 Diogo Almeida 的创业公司 TypeSafe 推出了一个决策模型。Jev 是一个低成本、低延迟、高并发的决策模型，输入文本和候选即可快速输出选项。
Jev 发布后引发全网复刻热潮，各种 OpenJev 横空出世。有人做了一个视觉版实验：Jev Visual，让模型看着图片做选择、判断和打分，并且能在 Mac 本地运行。
什么是 Jev
Jev 的核心能力只有三种：
- Choice（做选择）：比如下一步应该点击哪个按钮。
- Score（打分）：按你定义的等级，判断一条线索有多大价值。
- Noul（判断真假）：用 0～1 表示一句话成立的概率，比如"这个任务已经完成"。
这三种问题可以放进同一次请求，并行得到结果，交给代码继续执行。Jev 的优势在于实现了低成本、低延迟、高并发的 LLM 决策——模型输出的不再是一长串 token，而是简单的 ABC 选项，或者只是一个 yes or no。
社区应用实验
发布后，围绕 Jev 的讨论和应用实验很快多了起来。几个代表性项目：
jev-trader 尝试把它接进链上交易：读取订单簿，选择买入或卖出，再由程序处理挂单。高频交易是最有噱头，但估计也最不靠谱的一个应用方向。
Browser Use 的 jev-ultrafast，让 Jev 选择下一步操作和页面元素。项目展示的一次 Google Flights 航班搜索用了约 7.1 秒，包含输入文本和页面等待。
fast-jev-compaction 得到了 Jev 开发者的好评，把 Jev 的分类器引入到 coding agent 的 compaction 中。
Jev Visual：让模型能看图
目前 Jev 接收的是文本和结构化状态，还不能直接看图。连官方玩 Doom 的演示，喂给模型的也是游戏状态数据。
有人借鉴了 OpenJev 的开源思路：用现成模型直接读取各个候选答案的分数，同一份上下文只计算一次，再让多个问题复用，省掉逐字生成答案的过程。在此基础上换上支持视觉的 Qwen3.5-0.8B，用 MLX 在 Mac 上运行。
图片和公共上下文先算一次，再批量给不同问题的选项打分，由代码组装结果。两个 Demo 展示了它的能力：
- AI 分拣工厂：看传送带截图，识别物品，选择分拣通道。
- 打砖块：看游戏截图，判断球在哪个编号区域，再由程序把挡板移过去。简化后的视觉分类玩法，目前还不能稳定通关。
代码、运行方法和 Demo 都已开源，可以在自己的 Mac 上试试。
