Every retweeted
Jev 这个 waitlist 还是很给力的,昨天申请,今天就能用上。
给已经拿到 API、但还不知道怎么玩的人整理了一份 Awesome Jev,目前我能确认到的 Jev 项目基本都在这里:
1. jev-ultrafast
Browser Use 做的高速浏览器 Agent。Jev 负责每一步判断「做什么、点哪个元素」,需要输入文字时才调用小模型。Google Flights 搜航班完整跑完约 7.1 秒。
github.com/browser-use/jev-u…
2. typesafe-mcp
把 Jev 直接接进 Claude Code、Claude Desktop 和 Codex。Agent 可以随时调用 Jev 做 Choice / Score / Noul 这类结构化判断。
github.com/itsmostafa/typesa…
3. jev-mcp
另一个更偏实用工具的 MCP,已经封装好事实核验、Prompt Injection 检测和语义排序。
github.com/jkudish/jev-mcp
4. SemDecide
把 Jev 做成 Unix 命令行工具,可以直接拿来做语义判断、分类、打分、过滤和 Guard。很适合塞进脚本、CI 和数据流水线。
github.com/sharziki/semdecid…
5. Jev Codex Router
先让 Jev 判断每一轮编程任务有多难,再自动决定交给便宜模型还是更强模型。作者用 237 个真实 turn 回放,自测成本降低约 60%。
github.com/0xNatoshi/jev-cod…
6. Winnow
给 Claude Code 做「上下文垃圾回收」。Read、Bash、Grep 输出太长时,先让 Jev 判断哪些内容真的跟当前任务有关,再决定哪些需要进上下文。
github.com/GhalebDweikat/win…
7. Jev Review
用 Jev 做代码审查前置筛选,先判断 correctness、security、reliability、兼容性和测试风险,再把重点问题交给更重的模型处理。
github.com/devagrawal09/jev-…
8. Blink
用 Jev 在代码库里做语义寻路。每到一层目录,就判断哪些文件或文件夹最可能和问题有关,再把更多 walker 分配过去。
github.com/ellipsis-dev/blin…
9. neo4jev
把同样的思路用到知识图谱。Jev 给每条候选边打概率,再用 beam search 一步步找到最可能的路径。
github.com/jexp/neo4jev
10. jev-desktop
把 Jev 接到桌面自动化里。它读取 Accessibility Tree,判断该操作哪个控件、执行什么动作,再交给本地执行器。
github.com/lahfir/agent-desk…
11. TypeSafe AI Playground
一个专门拿 Jev 做实验的 Rust CLI,已经做了 PHI 检测、代码注释审查、实时语气分析、职业和行业分类等玩法。
github.com/markjaquith/types…
12. Prism
目前我看到最接近量化/交易场景的项目。它让 Jev 判断流动性池的 toxic flow、市场压力、均值回归可能性和流动性分布方式,目前默认还是 shadow/advisory,不直接驱动交易。
github.com/irfndi/prism-liqu…
13. 1v1 Jev
直接做了一个 FPS,让 Jev 大约 9Hz 判断移动、瞄准、ADS、开枪和跳跃。属于最直观展示 Jev 低延迟决策能力的项目之一。
github.com/emrickgarrett/One…
14. TypeSafe on Neon
拿 Jev 做模型 Router。请求先由 Jev 判断属于哪种任务,再转给 Grok 4.6 或 GPT-6 Astra 等模型执行。
github.com/andrelandgraf/typ…
看完这些项目,你大概也知道 Jev 可以怎么玩了,就是拿它反复做「要不要、选哪个、打几分、下一步干什么」。
真正需要生成代码、写文章和复杂推理时,再把任务交给传统大模型。
前 OpenAI 研究员 Diogo Almeida 创办的 TypeSafe AI 推出新模型 Jev。它有点像一个能读懂自然语言的超级分类器,不生成文本,只返回选项、分数和概率,专门给软件做判断。
普通大模型需要一个 token 一个 token 往外生成,Jev 则可以并行给出多个结果。TypeSafe 还用新的 RLCD 方法训练它的置信度,让模型在给出判断的同时,告诉程序自己有多大把握。
TypeSafe 用安全告警、Agent 审查、发票处理和客服做了 4 组自动化工作流测试。在这套自建评测里,Jev 最高比 Claude Sonnet 5 快约 193.6 倍,比 Claude Opus 5 便宜约 444.6 倍。
TypeSafe 把 Jev 称为首款「System One Model」(快速决策模型),名字来自卡尼曼《思考,快与慢》里的 System 1。它专门处理分类、打分、路由和下一步决策这类快速判断任务。
Every retweeted
这篇普林斯顿博士论文,几乎把强化学习过去十年的两条主线串在了一起:
从博弈算法,一路走到世界模型。
作者 Zihan Ding,导师是 Chi Jin。整篇论文超过 300 页,汇集了博士期间八项研究工作,其中多项成果发表于 NeurIPS、ICML、ICLR 和 ICCV。
前半部分研究多智能体博弈:如何学习接近纳什均衡、难以被对手利用的策略,并把这些方法扩展到格斗游戏、多人博弈和真实网络负载均衡。
后半部分转向 Foundation Model 时代:扩散世界模型、生成模型策略、少步视频生成、可交互视频世界模型,以及支持长时预测的记忆机制。
这篇论文最有价值的地方是它记录了强化学习研究重心的一次迁移。
过去,RL 更关注如何在给定环境中学会行动。
现在,Agent 还需要借助生成模型建立对环境的理解,预测不同动作会带来什么未来,再据此规划和决策。
这里收录的也不只是零散的想法,而是一条经过多年研究和多篇顶会论文逐步铺开的路线。
很多论文告诉你某个方法如何提升一个指标。
这篇博士论文更像一张地图,让人看清强化学习如何从策略优化,走向对复杂世界的建模。
想系统理解 RL、世界模型和生成式 AI 之间的关系,这篇很值得完整读一遍。
📎 arxiv: arxiv.org/abs/2607.17560
Anthropic每年砸75万美元+请顶级工程师,
就为了搞懂大语言模型到底是怎么工作的
而斯坦福大学刚刚把其中80%的核心内容
浓缩成一个2小时免费讲座!
这可能是你本月投资回报率最高的事情了
认真看完这2小时,你对AI的理解会直接甩开90%的人:
从Transformer原理、训练机制、涌现能力,到模型的局限与未来方向,全都讲透。
不想再云里雾里跟风AI?
花2小时把底层逻辑吃透,未来少踩无数坑。
强烈建议立刻收藏,今天就看!
github:github.com/Thysrael/Horizon
Every retweeted
兄弟们发现没?
现在一堆企业老板都知道AI能省钱省时间,
但99%的人完全不知道怎么落地。
另一边,真正会搭 Claude 工作流、配 MCP 服务器、写 Skill 文件、做出每周帮公司省10–20小时自动化的人,少得可怜。
这类项目一单就是 $3,000–$15,000,需求多到接不过来。
最反直觉的是:
市场缺口还在疯狂扩大,而普通人进场赚大钱的窗口期,只剩12–18个月。
✅ 先自测5个问题,判断你适不适合立刻入场
1. 你熟悉的行业,有没有5–15个每周重复的流程化任务?
2. 这些任务能用 Claude + MCP + Skill 稳定搞定吗?
3. 愿意免费做一个案例,换真实数据和客户背书吗?
4. 能打包交付,而不是按小时卖时间吗?
5. 接受这个风口窗口正在快速关闭吗?
💡 6个必须掌握的底层能力
• Context File 业务上下文设计
• Skill File 自动化工作流架构
• MCP 外部工具对接配置
• 定时无人值守自动化
• 深耕一个垂直行业做专家
• 靠真实案例打爆获客
🚀 本月就能启动的行动清单
1. 练会 Context + Skill 文件
2. 锁定一个垂直赛道
3. 免费做一个标杆案例
4. 打包成标准化付费产品
5. 日更内容 + 定向获客
6. 3–5个客户后,做模板+月费订阅
大部分人看完只会感慨,
但这个月就落地第一个案例的人,
90天内就能跑通月入$10,000的AI自动化生意。
机会窗口不等人,行动才是答案。
Every retweeted
Introducing Cowork: Claude Code for the rest of your work.
Cowork lets you complete non-technical tasks much like how developers use Claude Code.
Every retweeted
刚刚挖到一个非常牛批的网站!!
chronas.org/ 这个网站,让你用上帝视角看人类历史:它把整个人类历史,做成了一张可以随手拖拽的【Google 地图版时间线】。把 5000 年左右的全球历史,压缩成一张可拖拽的世界地图,加一根时间轴,从公元前到 20 世纪都能随时切换。
它把国家疆界、人口、宗教、文化、迁徙、重要事件、统治者信息都铺在一张图上,目前累计数据点超过 5000 万个。
时间滑块一拉,地图会立刻变成对应年份的世界格局,再点任意一个区域,就能在侧边栏展开对应的维基百科条目,等于「地图 + 知识库」一体化。
无论你是学生、内容创作者,还是单纯对世界怎么走到今天这一步感到好奇,它都提供了一种此前很少见的视角——让你在同一块屏幕上,同时看到时间、空间和事件的关系。 也许某一天你只是随手拖动了一下时间轴,在一块不起眼的小区域停了几秒,就会突然意识到:原来那些看起来完全无关的历史片段,一直都静静叠在同一张地图上。
如果是学生或者自学者,这个网站可以直接拿来当「可视化笔记本」。比如把时间停在 1912,放大中国,看清末民初的边界,再拖到巴尔干半岛,看奥斯曼帝国瓦解后留下多少新国家,最后拉到非洲,看那时殖民版图怎么铺开,一条时间轴上,三块区域的故事会拼成一个你从来没在课本里见过的世界格局。 这种「同一年,不同地方同时发生什么」的视角,是传统时间线和单一区域地图都很难给到的。
对做内容的人来说,Chronas 几乎是一个天然的选题雷达。你可以挑一个年份,比如 1848,先看欧洲革命浪潮,再顺手拖到亚洲,看那一年这边在发生什么,再点进一个小地方的条目,看它在几十年里换了几次统治者,这当中随便拆出几条线,都能写成系列故事或者做成一整套选题。
Every retweeted
Redis 创始人 antirez 发表了一篇关于 2025 年 AI 现状的深度思考文章。
他在文中挑战了曾经流行的"LLM 只是随机鹦鹉"的说法,指出通过思维链(CoT)和强化学习,大语言模型已经展现出远超预期的能力。
他认为,结合强化学习的可验证奖励机制,LLM 的扩展潜力远未被充分开发。程序员对 AI 编程助手的态度也发生了转变——从初期的怀疑到现在的广泛采用。
antirez 还提出,虽然 Transformer 之外可能出现新的架构,但当前的 LLM 框架也许已足以通向 AGI。他警示,未来 20 年 AI 领域最大的挑战是确保其安全发展,避免可能的风险。
但是大多数大佬和antirez的观点相反, 包含强化学习之父理查德萨顿还有李飞飞,他们认为现有的 Transformer 架构根本无法通向 AGI。OpenAI 等公司的商业化路径早已证明了这一点:他们意识到在当前架构下无法实现 AGI,所以转而开始了激进的商业化加速。
原文:antirez.com/news/157
Every retweeted

Min Choi@minchoi20 Dec 2025
United States
United StatesConnected via United States App StoreAccount-level information, not a live location or per-post device.
Gemini 3 has really changed the AI game.
People are coming up with wild use cases. There's a major shift.
10 examples:
1. Dashboard with live hand tracking controls






































