[JS/TS] Jev快决策模型赢麻了：五种玩法打出LLM软肋

近期被全网玩出花的模型叫 Jev，来自 TypeSafe——创始人 Diogo Almeida 是前 OpenAI 成员，参与过 ChatGPT 背后的指令跟随研究。

Jev 不是更强的聊天模型，而是把智能塞进代码里的那行 if——LLM 负责想，Jev 负责 reflex。

快思考 vs 慢思考：AI 的新分工

应该这样玩：五种玩法

模型发布才一周，网友已经把它玩明白了。五种玩法，每一种都在打 LLM 的软肋。

玩法一：瞬时上下文压缩。

2026 年了，为什么压缩还在靠总结 prompt？

来源：https://x.com/tamarajtran/status/2100694549362553153

Jev 给每个 tool call 打分、丢掉无关内容，压缩从"再调一次大模型"变成"一次打分"。这是 agent 工程师每天疼的地方，所以传得最广。

来源：https://github.com/tamaratran/fast-jev-compaction

玩法二：广告情报拆解。

Matthew Berman 用它 40 秒拆完 37 个品牌的 724 条 在投广告——每一条的 hook、格式、offer、CTA、认知阶段、落地页错配，全部拆完，只花了 9 美分 token 费。

来源：https://x.com/TheMattBerman/status/2100654891756589230

这套东西即将进他的产品 stealads，还会以 MCP 形式开放。

玩法三：实时玩游戏。

Faadil Shaik 让 Jev 实时玩《超级马里奥兄弟》。快推理加结构化输出，第一次把"前沿模型"够到了游戏帧率的实时决策上。

来源：https://x.com/faadilhshaik/status/2100086301894881578

已开源： https://github.com/fhshaik/typesafe-mario

玩法四：把概率分布变成动画。

Anshu 做了个图像逐像素点亮的加载动画。像素点亮的顺序不是随便闪的——是按 Jev 输出的概率分布随机采样。有人问这跟取最高概率有啥区别？作者说试过，质量没差别：分布本身就是信息。

来源：https://github.com/fhshaik/typesafe-mario

玩法五：回收火箭。

最后一个最疯：在 MuJoCo 里搭了一枚猎鹰 9 级火箭——42 米、425 吨、9 台发动机、真实大气、马赫数相关阻力、侧风、推进剂耗尽，然后无自动驾驶、无预设轨迹、无安全否决代码，所有决策全交给 Jev。

飞行器每 0.8 秒失稳一次，Jev 以约 1 Hz 频率做决策、单次输出 0.4 秒，着陆点火自己选了 5 台发动机。12 次实验之后，它自主把助推器落了地——全程 245 次调用，API 费 4 美分。

来源：https://x.com/uttkarsh_42/status/2100690568947159309

有人撇嘴："这不就是个分类器吗？" Utkarsh 的回应值得整段抄：是的，但它是个非常好用的分类器——它的速度和决策质量，给真实世界的任务打开了一整扇新门。Jev 赢的不是智能上限，而是智能的价格和延迟。 同样的智能，便宜两个数量级、快两个数量级，能干的事就完全不是一回事了。

最后

Jev 这个名字，来自经济学家杰文斯——就是那个"杰文斯悖论"：煤越便宜，烧煤的生意反而越大。作者的原话类比是：智能成本每降一个数量级，解锁的新用例多更多个数量级。

来源：https://x.com/atomic_chat_hq/status/2102160983409955244

火箭和马里奥都只是玩具 demo。真正的量，藏在千万行代码里那些"聪明的 if"——以前用 if-else 写太蠢、调 LLM 又太贵的模糊判断，第一次有了第三选项。

LLM 负责想，Jev 负责 reflex。两个大脑各干各的——这才是 Jev 该有的玩法，也确实是赢麻了。这类一手玩法在云栈社区还有不少开发者在持续跟进。