@goan999999: 在将 Codex 与 Jev 集成后,我的令牌配额消耗减少了 90%。实际上,我测试了输入单个 s…

X AI KOLs Timeline 模型

摘要

这篇文章描述了将 Codex 与 Jev 集成,Jev 是 TypeSafe AI 的一款新 AI 模型,通过快速且低成本地处理分类任务,将令牌消耗减少了 90%,而 Codex 负责处理复杂推理。

在将 Codex 与 Jev 集成后,我的令牌配额消耗减少了 90%。 实际上,我测试了输入单个句子: “我应该买游戏机吗?” Jev 快速将其分类为“购买咨询”,概率 97%,置信度 0.96,然后直接进行后续处理。 它最适合这些任务:分类、过滤、路由、快速判断。 Codex 继续处理复杂推理。 集成也非常简单: 首先,访问 https://typesafe.ai 申请候补名单。一旦批准,在控制台中创建 API Key,然后让 Codex 执行: npx skills add typesafe-ai/skills --skill typesafe-ai 安装后,只需添加到提示中: 使用 typesafe skill。复杂推理由 Codex 处理;分类、过滤、路由和简单判断优先交给 Jev,并指定哪些步骤使用了 Jev。 实际体验可以总结为四个字:超快,极省! Codex 处理思考,Jev 处理高速判断,代码处理流程控制。
查看原文
查看缓存全文

缓存时间: 2026/09/22 07:52

在将 Codex 与 Jev 集成后,我的 token 配额消耗减少了 90%。

我实际测试了输入单句: “我该买游戏机吗?” Jev 迅速将其分类为“购买咨询”,概率 97%,置信度 0.96,随后直接进行后续处理。

它最适合这些任务:分类、过滤、路由、快速判断。 Codex 则继续处理复杂推理。

集成过程也非常简单: 首先访问 https://typesafe.ai 申请 Waitlist。通过后,在控制台创建 API Key,然后让 Codex 执行: npx skills add typesafe-ai/skills –skill typesafe-ai 安装完成后,只需在 Prompt 中添加: 使用 typesafe skill。复杂推理由 Codex 处理;分类、过滤、路由和简单判断优先交给 Jev,并注明哪些步骤使用了 Jev。

实际体验归结为四个字:超快、极省! Codex 负责思考,Jev 负责高速判断,代码负责流程控制。


首页 - TypeSafe AI

来源:https://typesafe.ai/

我们采取了相反的研究方向

非对话型 基于人类反馈的强化学习(RLHF)优化了大语言模型以符合人类偏好,造就了超人类的指令遵循能力,即我们现在所说的“对话”。但 RLHF 存在固有问题:模式坍缩、过度自信及可靠性不足,这使得大语言模型必须依赖人工干预。

新模型 我们构建了一类名为“系统一模型”的新型模型,专为机器原生使用而设计。我们采用新架构、新采样器和新训练算法:校准决策强化学习(RLCD)。

决策,而非字符串 生成软件可直接操作的类型化输出。

校准置信度 每次决策都包含模型自身的置信度估计。

更贴近代码 可靠、快速且类型安全。

```base64 ZmxvYXQgUV9yc3FydCggZmxvYXQgbnVtYmVyICkKewoJbG9uZyBpOwoJZmxvYXQgeDIsIHk7Cgljb25zdCBmbG9hdCB0aHJlZWhhbGZzID0gMS41RjsKCXgyID0gbnVtYmVyICogMC41RjsKCXkgID0gbnVtYmVyOwoJaSAgPSAqICggbG9uZyAqICkgJnk7CglpICA9IDB4NWYzNzU5ZGYgLSAoIGkgPj4gMSApOwoJeSAgPSAqICggZmxvYXQgKiApICZpOwoJeSAgPSB5ICogKCB0aHJlZWhhbGZzIC0gKCB4MiAqIHkgKiB5ICkgKTsKLy8JeSAgPSB5ICogKCB0aHJlZWhhbGZzIC0gKCB4MiAqIHkgKiB5ICkgKTsKCXJldHVybiB5Owp9 ```

速度提升 193.6 倍,成本降低 444.6 倍

*基于系统一任务的工作流(证明)

对比项TypeSafe AI传统大语言模型
成本$0.000081$0.013880
完成时间0.114 秒8.566 秒

专为自动化构建 Jev 返回带校准概率的类型化决策,使您的软件能应对不确定性。设定自主行动与请求复核的阈值,用代码组合决策以构建更大工作流,精准控制智能使用方式。

Jev 的单位成本智能产出简直爆表

机器原生智能 大语言模型为人类生成文字。Jev 生成类型化决策,更贴近代码:可靠、快速、自洽且类型安全。

零幻觉 每次 Jev 决策都附带置信度估计,使软件能在高置信时自主行动,低置信时上报处理。

$42

每十亿输入 token。

238倍

低于 Claude Fable 5.1 的输入价格。

与我们共同构建

常见问题解答

什么是系统一模型?Jev 是什么? 系统一模型是为软件内决策构建的新型 AI 模型。Jev 是 TypeSafe 首个公开的系统一模型,专为自动化优化。向 Jev 发送结构化问题,即可获得带概率和置信度的类型化决策,供软件直接执行。

Jev 是更小的 LLM 吗? 与 JSON 模式或结构化输出有何区别? Jev 如何做到如此快速且低成本? 能否让 Jev 更快? 这些价格是暂时还是补贴? Jev 擅长什么?哪里较弱? Jev 仍会出错吗? 如何开始或提问?

```base64 iVBORw0KGgoAAAANSUhEUgAAABwAAAAcCAAAAABXZoBIAAAAl0lEQVR42mNgGPyg5u9/e1xyCV9+/7XDJVn/G7eky5vfl+U5sMvZPPn9Ow6XobP//t2LS07k7+/XTjjkFM7+/V2HS2PG7787+HHIBXz4fVAcl6F///6dj8vQ6b9//1bHIWdw9/fvNbg0vvr9+wgPLsm/v39H4pKb///vX3lcNj75+70HR4AzOPz+ewdn/OOVlDiIR5K6AACSCULwD4UI6QAAAABJRU5ErkJggg==

VHlwZVNhZmUgQUkgSW50ZWxsaWdlbmNlIE5vdw== ```

govin.eth | G哥 (@goan999999): Jev 这东西有点太TM离谱了

速度快 20~200 倍,成本低 40~400 倍

我把目前能找到的 Jev 项目翻了一遍,你能用到的都在这里👇

01|jev-ultrafast

Browser Use 高速 Agent,Jev 负责每一步判断,Google Flights 完整搜索约 7.1 秒 https://t.co/EE0gCVq2Qf

02|jev-desktop 把 Jev

相似文章

Codex 现已正式发布

OpenAI Blog

OpenAI 宣布 Codex 正式发布,并推出三项新功能:Slack 集成可委派任务、Codex SDK 可嵌入工作流,以及工作区管理的管理工具。自 8 月以来,GPT-4-Codex 的使用量增长了 10 倍,三周内已服务超过 40 万亿个令牌。