最近 Jev 很火，我也用它做了个小工具：小vi 灵感雷达，一个把 Jev 装进 X 信息流的 Chrome 插件。刷 X 的时候，它帮我判断哪条帖子值得花时间看、哪条能拿来做选题。
玩了一圈，想跟大家分享一下：它到底是做啥的，别人都拿它做了些什么，普通人又可以怎么玩。
↑ 这是我给 Jev 设计的评分档位 😆
欢迎大家二创、共创
每天刷到很多 AI 信息，真正难的是判断：这条值得我花时间看吗？能不能拿来实测、做成内容？
我做了一个 Chrome 插件，把 Jev 装进 X 信息流：AI 先给初评，我再用反馈告诉它什么才是“对我有用”。
适合谁：需要跟踪 AI 产品、找实测素材、积累选题的内容创作者和运营同学
电脑端 Chrome 插件，手机端无法安装。点击下载安装包（v1.0.17，6.4MB），也可以直接发给「豆包工作」或者 AI 工具帮忙安装。
解压安装包，Chrome 打开 chrome://extensions，开启“开发者模式”，点“加载已解压的扩展程序”，选择包含 manifest.json 的 x-ai-radar 文件夹。
扩展图标 →“设置”，填自己的 TypeSafe API Key，模型保留默认 jev-latest；选兴趣方向，开启“自动分析可见帖子”，点“保存并测试连接”。每人用自己的 Key 和额度，无需共享密钥。
打开或刷新 X，插件先显示“初评”分数。点“反馈 n / 20”或扩展里的“20 条校准 · 分析记录”，进入选题快选库。
累计 20 条不同内容后，查看偏好摘要并点“确认应用”；之后遇到不准的判断仍可继续纠正。
左边挑帖子 → 中间看原文和 AI 判断依据 → 右边给自己的判断。
不必迎合 AI 的分数，也要给“不感兴趣”的内容反馈，才能划清偏好边界。
分别回答两个问题：阅读上，你会跳过、扫一眼、仔细看，还是优先读／必看？选题上，你会跳过、先收藏、做实测，还是想做／马上做？可补选原因和一句说明，点击“保存反馈，下一条”。
Jev 根据帖子文字、兴趣方向等，对相关性、新信息、信息密度、可操作性、受众价值、吸引力、可实测性等维度作判断；插件再按固定权重合成阅读分和选题分。
0–100 分是选题参考，不是事实真实性、爆款成功率，也不是 Jev 的校准概率。
日常使用：刷 X → 看初评 → 有价值就收藏 → 判断不准就反馈 → 定期回选题库挑选可实测、可展开的内容。
当前范围：只支持 X／Twitter，尚不支持小红书；读取网页正文和引用文字，不靠截图，暂不分析图片、视频内容或链接内页。平台明确标记的广告跳过自动评分；写评论、回复时隐藏浮层。
2026 年 9 月 15 日，TypeSafe 正式推出 Jev，并把它定义为首个 System One Model （《思考，快与慢》里的 System One，主打快速做判断）。
和 ChatGPT 这类大模型不同，Jev 不跟你聊天，也不写小作文。Jev 是“只会做选择题的 AI”，它只负责快速判断：更像哪一个、程度有多高，或者“是”的概率有多大。
“帮我分析这篇文章为什么不吸引人，并重写一个更好的版本。”
“这篇文章的钩子强不强？流失风险高不高？下一步该走哪条路？”
所以它不是来取代大模型的，更像是大模型旁边先帮忙做快速判断的工具：
💡 我们未来自己开发小工具之前，可以思考：如果是判断类、分流的，可以先交给性价比高的 Jev，再用大模型做进一步的分析 🧐
从最多 255 个选项里选，需要你来列选项，Jev 判断哪一个最像，并给出每个选项的概率。
在一个刻度上给分。
给出一个“是”的概率。
我的灵感雷达用的就是打分：拉 → NPC → 人上人 → 顶 → 夯。截图可以点开放大。
Jev 看完一封邮件，不只会判断“是不是诈骗”，还会给出一个概率，比如：“80% 可能是诈骗。”
但它报出一个 80%，我们就能相信吗？得看实际结果。
举个例子：挑出 100 封被它评为“80% 可能是诈骗”的邮件，再逐封核实。如果大约 80 封真是诈骗，说明这批判断里的“80%”和实际情况比较吻合；如果只有 50 封是，它就把把握说大了。
这就叫“概率校准”：报出来的数字，要和长期实际表现对得上。只看一封邮件，验证不了这件事。
这个数字有什么用？做邮件工具时，你可以据此安排下一步：
后面的诈骗邮件案例就用了这个思路：先让 Jev 快速筛一遍，判断拿不准的，再交给另一个模型复核。门槛设多高，要看实际测试结果和出错的代价，不能看到“95%”就默认可以自动执行。
TypeSafe 把训练方法叫 RLCD，目标是让这些概率更可信。想了解原理，可以看 CEO 最新演讲。
用到自己的场景前，先拿实际样本测一测：它说有几成把握，到底能不能兑现。
标签是这个案例主要用到的题型：单选、打分、是 / 否
“你今天是不是又忘了我跟你说过什么？”
Jev：她真的在问你记不记得吗？不是 93%。真实意图：想确认你在不在乎她 72%。危险等级 9 / 10。最佳动作：搜索聊天记录 91%、装死 4%……
最后一步：“危机是否解除？Yes 94%。建议动作：立即停止模型调用，不要画蛇添足。”😂 只能当娱乐，不能替代真正的沟通。
单选是 / 否
Browser Use 的 Gregor Zunic 把网页里的可点击元素整理成动态选项，让 Jev 每一步只决定“点哪个、滚动还是结束”；需要输入文字时才调用小语言模型。Google Flights 任务约 7 秒完成。
Jev 像导航员负责决定下一步，Agent 的 Computer Use 像手负责真的去点、去填。
单选
来源：Gregor Zunic 的浏览器演示 ｜ 项目代码
Faadil Shaik 没让 Jev 直接看游戏画面，而是读取模拟器里的位置、速度、敌人和地形，再从左、右、跳跃等有限动作中选一个。作者随后补充，早期版本成功率大约只有四分之一，所以它更像一个直观的技术 Demo，而不是成熟游戏智能。
单选
这个案例把 Jev 用在公关监测的高并发判断层：系统读取当天早上的 384 条新闻，并同时判断哪些新闻与 15 个品牌相关、值得跟进，再把候选故事交给后续流程寻找记者和传播机会。
Jev 在链路里的角色：不负责撰写完整公关稿，而是并行完成“相关吗、值得追吗、适合哪个品牌”等有限判断。
是 / 否单选
用户直接说“换件黑裙子”等自然语言指令；系统把语音转录、当前穿搭状态和个人衣柜候选一起交给 Jev，由 Jev 快速判断下一件应该选择什么，再由图像换装模块更新画面。
商业价值：把虚拟试穿从点选式工具变成可连续对话的购物体验，可延伸到电商导购、品牌衣橱、线下门店镜和个性化搭配。
单选
系统把近 200 个国家作为候选项。用户输入“说法语的国家”“内陆国”“参加过二战的国家”等中文问题，Jev 会对每个国家逐一做“是 / 否”判断，给出符合条件的概率（所以不受单选最多 255 个选项的限制），并把结果直接高亮在地图上。
是 / 否
Demo 作者把 600 多个选题放进同一个候选池，再用“与大公司相关”“与 OpenAI 相关”“与中国相关”等自然语言条件快速筛选。Jev 对每个选题逐条做“是 / 否”判断，负责缩小范围和排序，人或大模型再从高概率候选中决定真正值得采用的选题。
是 / 否
程序员改完代码，可以把改动交给 Jev 快速检查：有没有不小心把密码写进代码、有没有危险的数据库操作、会不会误删测试。它一次检查多个常见风险点，并标出“有多怀疑这里有问题”。
这就像交作业前先让同桌帮忙检查错别字，但同桌不能替你交卷，最后是否提交，仍然由人决定。
是 / 否
有人测试了 100 封邮件：一半正常、一半诈骗。Jev 在 1.42 秒内分完全部邮件，并给每个判断附上置信度；置信度低于 95% 的 31 封，再交给大模型 Kimi K3 仔细看。整套流程判对 96 封，总成本约 0.07 美元，其中 Jev 只花了约 0.003 美元。
单选
开会最常见的问题是：大家还在发散，没人收束；问题聊清楚了，却没人记录；或者表面同意了，其实还有分歧。这个案例让 Jev 每隔一段发言就判断一次：现在是在头脑风暴，还是已经在做决定？问题解决了吗？大家真的达成一致了吗？
它不是会议裁判，更像一个不插话的会议观察员。
单选是 / 否
浏览 X 时，插件实时判断每条帖子：这是有信息量的内容，还是故意引战、骗点击、广告？再用不同图案直观显示等级，低质量内容直接隐藏，不用人一条条手动屏蔽。
同理，之前看到有人开发过刷小红书的信息流屏蔽器，可以屏蔽搜索结果里不相关的部分，避免分散注意力。
🙌 这个功能，我也做了一个同款小插件，就是开头的灵感雷达。
打分
Box 的演示里，Jev 会读一份事故报告，然后判断两件事：这件事会不会影响客户？严重程度高不高？判断完后，系统把文件放进“需要升级处理 / 继续观察 / 等待审查”等不同文件夹，同时打上对应标签。
豆包工作或飞书自动化可以负责移动文件、打标签、建待办。特别适合文件很多、分类规则明确、但人工整理很耗时的场景。
是 / 否打分
Jev 只负责判断，不负责执行，更不会替你承担后果。真的要点网页、填表单、发消息、动文件，需要豆包工作这类工具配合；而涉及钱、合同、客户承诺和个人隐私的动作，一定要停下来让人确认。
它的 Launch Video 快速在 X 上走红，是营销公司 Doomers 精心策划的一次发布，叙事故事和传播方式值得了解。
据 Doomers 复盘，发布帖浏览量约 3950 万，在他们追踪的 699 个产品发布案例中排名第四，甚至超过了 Anthropic 的 Claude Fable 5.1 产品发布。24 小时内等待名单注册超过 15 万。
它先用创始人的 OpenAI 履历做背书，再宣布聊天模型不适合真正自动化，最后用速度、价格和产品形态把 Jev 塑造成新范式。
Diogo 先说自己参与创建 ChatGPT 和 RLHF，建立“我有资格指出旧范式问题”的权威。
把 RLHF（用人类偏好来训练 AI）与迎合偏好、过度自信、不可靠绑定起来：会聊天，不等于能自动执行。
不说 Jev 是“更快的小模型”，而是创造 System One Model 这个新品类，配上新架构、新采样器、RLCD 三件套，把产品升级包装成范式切换。
同屏对比中，Jev 快速完成大量结构化判断，语言模型仍在逐字生成。观众不需要理解 benchmark，也能感受到“等待”的差异。
输出概率决策而非文字、快近 200 倍、便宜 400 多倍（官网首页数据为 193.6 倍、444.6 倍）。宏大技术史负责制造想象力，简单数字负责被记住和转述。
“如果你喜欢等待，请勿使用 Jev”，把开发者痛点变成笑话；“Ask your developer”改写自“Ask your doctor”。“prod, not god”“too cheap to meter”都是可直接截图、引用和二创的句子。
内容有争议性：让人停下来、截图和争论。Jev 本身很难用一句功能描述让大众兴奋，但它极适合被做成观点冲突：聊天 vs. 自动化、文字 vs. 决策、串行 vs. 并行、God vs. Prod。
分发策略：对不同类型博主的选择，让正确的人在同一小时看到；把画面送到最可能参与争论的人群中。
产品入口：增加 Waiting List、OpenRouter 等平台使用，把热度变成注册和使用。
点开可以放大看
第一句话先抛出“ChatGPT 与 RLHF 的共同创造者”这张可信度牌，再问“为什么超人类聊天模型还没有带来 AGI”。
整个行业都在卷“更会思考、更会写”，TypeSafe 反过来说：我们的模型不会聊天，也不会写一个字。
视频接近 3 分钟。Doomers 称，超过 2 分钟的 launch video，其中位表现是 30 秒以下视频的两倍。
发布后将公告 seed 给 80–100 个工程师、创始人、builder 和创作者账号，之后的全球扩散才主要依靠自然传播。
“快近 200 倍、便宜 400 多倍、输出免费、响应 70–500ms”，加上 OpenAI／Meta 履历和 4000 万美元融资，再借 Vercel、Cloudflare、LangChain 和社区 Demo 扩散。
同时承接 waitlist、公司与创始人账号关注，并借 Vercel AI Gateway 等入口降低试用门槛。
普通人不需要先理解模型原理
数据安全提醒：TypeSafe 是外部第三方服务，贴进去的内容会发送到它的服务器。测试时请只用公开内容（公开帖子、新闻）或自己编的示例；不要上传公司内部聊天记录、客户反馈、用户数据、内部文档或未公开的业务信息。
通过审核后，账号会获得 5 美元体验额度（以控制台实际显示为准）。输入约 0.042 美元／百万 token、输出免费，足够测试大量轻量判断。
贴一段公开内容，提前写好几个答案选项，比如“需要回复／仅同步／有风险”。觉得结果靠谱，再生成 API Key，接进自己的脚本、表格或 Agent 工作流。
控制台里有个 Playground，贴一段文字、写好问题和选项，点运行就能看到每个选项的概率。可以先在这里试试看。
用 Claude Code、Codex 这类编程 Agent，把需求用大白话讲清楚，它来写代码、调接口。TypeSafe 官方还出了插件（typesafe-ai/skills），装上之后 Agent 更懂怎么调 Jev。
浏览器插件、小网页，把判断嵌进你每天刷信息、看反馈的地方。
整个过程分四步，每一步都是直接跟 AI 说人话。
我每天在 X 上刷很多 AI 相关的帖子，想找能拿来做选题的内容。 帮我把“这条帖子值不值得看、适不适合做选题”拆成几个可以打分的维度， 每个维度写清楚什么情况算高分、什么情况算低分。 评分档位用：夯、顶、人上人、NPC、拉。
聊完我定下了两道题：值得花时间看吗？适合做选题吗？再加上新信息、信息密度、可操作性、受众价值、选题吸引力、可实测性、讨论价值这几个维度。
帮我做一个网页，叫“小vi 灵感雷达”。 左边是待判断的帖子列表；中间展示帖子内容和 Jev 的判断结果， 两道题各给一个档位（夯/顶/人上人/NPC/拉），可以展开看每个维度的分数； 右边让我自己也选一次档位，可以写一句理由。 用 typesafe-sdk 调用 Jev，API Key 从环境变量读取，不要写进代码里。 只有我点“让 Jev 判断这条”时才发请求。
再做一个 Chrome 插件：我正常刷 X 时，把我看过的帖子正文收集下来， 回到网页后出现在“我的 X 记录”里。只收集公开帖子的文字，不收集图片和私信。
我已经给 20 条帖子打了档位。帮我统计 Jev 和我一致的比例， 列出分歧最大的几条。再挑最多 6 条有代表性的反馈作为参考样本， 以后判断新帖子时一起发给 Jev，让它更接近我的口味。
小经验：Agent 写出来的第一版往往能跑但不好用，别怕反复跟它说“这里不对，改成……”。不断碰撞想法 💡
用了一段时间发现，Jev 判得准不准，很大程度取决于题出得好不好。官方文档里也反复强调这几点：
| ❌ 容易翻车的写法 | 问题在哪 | ✅ 改一改 |
|---|---|---|
| 重要 / 不重要 | 标准太模糊，“重要”对谁都不一样 | 今天必须处理（涉及投诉、线上事故）/ 本周处理 / 仅存档 |
| Bug / 体验问题 / 功能建议 | 边界重叠，“按钮不好点”算哪个？ | 每个选项写一句定义：Bug＝功能不按预期工作；体验问题＝能用但难用；建议＝想要新功能 |
| 正面 / 负面 | 没有兜底，中性内容只能硬选 | 正面 / 负面 / 中性 / 无法判断 |
| 相关且值得跟进吗？ | 一道题问了两件事 | 拆成两道是/否题：相关吗？值得跟进吗？ |
| 打 1–5 分 | 每一档没定义，模型只能猜 | 每档配一句话，比如我的：夯＝必看，顶＝优先读，人上人＝仔细看，NPC＝扫一眼，拉＝跳过 |
可以直接套这个模板：
问题：这条用户反馈应该交给哪个团队？ 选项： - 退换货：尺码不对、商品损坏、想换货（不包括：物流延迟） - 物流：没收到、配送慢、包裹丢失 - 账单：扣费、发票、支付失败 - 其他：以上都不符合
我一开始也这么想。量小的时候确实可以，而且大模型还能顺便告诉你理由。但真用到每天几百几千条，差别就出来了：
| 让大模型只回答 A/B/C | Jev | |
|---|---|---|
| 速度 | 逐字生成，量大了要排队 | 70–500ms，一次还能问好几道题（官方数据） |
| 成本 | 按输入和输出计费，全量跑很贵 | 输出免费，输入约 0.042 美元／百万 token |
| 把握度 | 它说“我很确定”不一定可信 | 每个选项都有概率，而且是校准过的 |
| 稳定性 | 同一条内容问两次，答案可能不一样 | 相似的输入给出相似的结果（官方说法） |
| 给理由 | 能，还能展开分析 | 不能，只给判断 |
“把握度”这一点最容易被忽略。经过 RLHF 训练的聊天模型，概率往往会变得没那么准，OpenAI 在 GPT-4 技术报告里就放过一张对比图。模型说得再笃定，你也很难拿它来设自动执行的门槛。
所以我的用法是：量小、需要理由，用豆包；量大、要快、要按把握度自动分流，用 Jev。两个还能搭着用：Jev 先筛一遍，拿不准的再交给大模型，就像前面那个诈骗邮件的案例。
写到这里有点像安利文了，也说说我看到的另一面：
技术上完全能做：几秒筛完几百份。但我觉得这恰恰是最不该直接交给它的事：
更稳妥的做法：只让它做“硬条件核对”，只辅助、不淘汰；被判“不合适”的简历，一定要有人再看一遍。
玩完 Jev，我最大的几个感受：
以前让 AI 把每条评论、每封邮件、每条帖子都看一遍，太贵也太慢；现在可以“全量判断”。很多过去不划算的产品，可能会重新变得可行。
它不一定是一个聊天框，而是藏在产品里的一个个小判断，官方管它叫“智能 if 语句”。
快的负责判断和分流，强的负责思考和生成，人负责定规则和兜底。以后搭 Agent，可能更像在组一支小队伍。
定义好选项和标准，本质上是把自己的经验和判断标准写清楚。这件事不需要会写代码，但很需要懂业务。