Jev 在金融领域能干什么？新闻分拣、信号挖掘与质检的实战用法

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"的类别里，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。