最近爆火的 Jev，到底能帮我干点啥？

Jev 刷屏的速度让人目不暇接。

这个由前 OpenAI 研究员 Diogo Almeida 创办的项目，不聊天、不写代码，只下判断。上线短短数日，全球开发者围绕Jev搭出了600多个开源项目。

Vercel亲自认证，Jev的采用速度比AI Gateway历史上任何其他模型都要快。

为什么Jev能引爆关注？

过去几年，整个行业几乎把所有的算力都花在了同一件事上：让模型想得更深、说得更像人。

于是我们看到的AI，越来越擅长绕着一个问题反复推敲、自我修正，最后交出一份措辞得体、逻辑完整的答案。

但实际上，还有海量、快速、便宜的判断，并不需要用到这么复杂的模型。

下一步做什么、该调用哪个工具、任务到底完成没有……这些简单的判断，要的只是快、便宜、够用就行，Jev 精准踩中了这个空挡。

那在金融行业，Jev到底可以怎么用？

更快更便宜

市场研究者常常会面临这样一个真实场景，每天要花大量的时间浏览新闻、阅读公司公告、刷社交媒体，一有突发消息希望能第一时间知道。

常规的AI大模型能帮助整理简报，但频率不能太高，一天一次或者两次，费用还烧得起。

如果想把频率提高到分钟甚至秒级别，这个成本简直是天价，即便最便宜的大模型也用不起。

这时候，Jev就能派上用场。

近日，nashnova在技能库里火速上线了Jev，它能自动将一个复杂的任务拆成若干步骤，其中适合用Jev的步骤会让Jev去跑，其他的用标准模型来操作，如此一来可以大幅降低成本。

我直接用nashnova帮我搭了一个新闻分拣的对比试验，试验的左半屏接入Jev，右半屏还是用常规大模型。

先让nashnova自己从谷歌新闻里挑选500条最新的公司新闻，设置 50 个公司名当关键词，然后再用可视化的方法将分拣的过程展示出来。

从结果来看，Jev 那边 10 秒就跑完了整个分拣过程，而右边的常规大模型一条一条判断，跑了 435 秒。

快了 40 多倍。

速度确实非常惊人，那质量会不会打折？

我把两边结果拉出来逐条比对，一致率 94%。剩下那些出现分歧的6%的条目里，Jev 的命中率反而更高。

可见，在这种量大、简单的判断处理上，Jev 确实好用，把新闻和分类标准交给它，它就返回对应类别，程序拿到结果便能继续处理，不需要整段文字分析。

从这个特征出发，你可以让Jev帮你处理很多类似的工作。

最简单的就是让Jev根据你的资产列表来筛选你感兴趣的新闻和公告，并进行资产关联性匹配。

你也可以给特朗普发的推文打标签，让Jev帮你判断某一条推文涉及到哪些资产、行业、公司，是否属于正面评价。

我在nashnova搭了这样一个看板，AI帮我自动设置了14个资产主题，我想看AI相关的， 点击一下“半导体/人工智能”的标签就可以查看所有相关推文。

信息类别里还有“批评施压”“正面表态”“一般提及”等不同的情绪标签。点右上角“一键刷新”，就可以拉取特朗普最新的推文，然后自动做判断。

想做特定公司的情绪监控也非常方便。

nashnova上搓出来的特斯拉X舆情监控台，就是借用了Jev的判断能力，快速将X上关于特斯拉的帖子进行舆情分拣，每一条帖子分别归类到“正面”“负面”和“中性”的类比里，45条帖子，1.7秒归类完毕。

适合做什么？

总的来说，在金融领域，适合Jev的工作可以分为三类：

第一类，分拣和过滤。

开头的新闻分拣台就属于这个类别。

在X上，还有人做过一个美国税务文档分类器。Jev 能把整个税务文档库 100% 分类完，每页成本 0.001 美元。这比他之前那套大语言模型的方案便宜 34 倍，而速度快了 6 倍。

第二类，从长文件里挖信号。

有人拿它试了试美国证监会(SEC)的公开备案文件，想看看能不能从EDGAR（SEC 的公开文件数据库）里攒出一个市场信号流。

结果是，Jev 能挑出回购、内部人交易、会计政策和风险披露这类信号，能找出环比有实质变化的条目，整理成可用的数据。

当然，这事大语言模型也能干，但让一个大模型整天啃这些文件，对普通人来说太烧钱了；加上速度优势，Jev 对个人做程序化操作也挺有意思。

第三类，核验与质检。

质检本来就是判断题，是否完成任务、回答有没有依据、质量打几分，正好对应 Jev 的判断和评分能力，可以直接返回结果。

最新的案例中，LangChain 让 Jev 给天气助手的回答打分，检查任务是否完成、回答有没有依据。

在 5 个样本的重复测试中，Jev 的判断与人工一致，打分更稳定，平均每次耗时 0.44 秒、花费 0.00035 美元。

在金融领域，也可以让Jev给 AI 写的投研、简报做质检。

比如有没有夸大，原文只说“需求有所改善”，摘要却写成“订单大幅增长”。有没有混淆口径，比如把归母净利润的增长，写成了扣非净利润增长。有没有把预期写成事实，比如公司计划明年扩产，摘要却说产能已经提升。

金融行业是一个强调数据准确与合规的行业，类似的质检员是非常值得在工作流中加入的最后一道关卡。

但要注意啊，Jev 并非零幻觉，它在计数、算术和日期处理上存在短板。

不适合做什么？

除了上述这些例子，也有人尝试让Jev直接辅助交易。

但实际效果并不好。

一个完全自主的交易机器人，已经成功让某位博主亏了3万美元。

还有人直接吐槽，Jev根本不适合行情预测或者自动交易。因为Jev可以告诉你“今天是周一，那么今天是疯狂星期四”的概率；但是Jev无法准确判断“今天是疯狂星期四，你要去吃肯德基”的概率。

这句话背后其实是个很本质的区别：前一个问题的答案是封闭的、可以枚举的；后一个问题依赖现实世界里无穷多的变量，根本不在 Jev 的射程内。

从底层逻辑上看，人类的思维本来就分两种：一种是直觉，一种是复杂思考。

打个比方，你走在路上，一个小孩突然冲过来——你不会先分析他的意图，你的直觉直接接管了身体，这是直觉判断。而“今晚去哪里吃饭”，你要考虑预算、口味、距离、同行的人想吃什么，这是复杂思考。

Jev 干的就是前一种活儿。

它借用了《思考，快与慢》里的说法，把这种能力叫“系统一”，对应书里那个快速、直觉、几乎不消耗意志力的自己；而我们熟悉的深度思考大模型，是“系统二”，慢、慎重、能推理。

这两者不是替代关系，而是配合关系。

大模型负责顶层的规划和难题攻坚，在关键节点重新调整路线；Jev 负责大量高频的、范围明确的小决策。

Jev 一旦拿不准，就把问题再丢回给大模型重新分析。Jev 的价值，要放在一个“大模型 + Jev”的组合里才成立。

现在，你可以在nashnova体验Jev的判断能力，扫描下方二维码，点击“技能”→选择“jev 决策模型”即可体验。

*声明：本文内容转载自nashnova，nashnova提供市场情报与研究支持，不提供个性化投资建议。以上内容不构成投资建议，不代表刊登平台之观点，市场有风险，投资需谨慎，请独立判断和决策。