作者宝玉分享用 ChatGPT Pro 的 GPT 6 Astra 制作 3D 版《桃花源记》网页的完整过程。通过一套详细的提示词，让 AI 将课文拆成 20 幕，实现可拖动视角、跟随原文叙事的'循文入境'体验。针对 TTS 朗诵不佳的问题，改用央视李立宏的真人朗诵并配以 SRT 时间戳同步；再由 Codex 做工程化优化，将音频独立、更换真实环境音，文件从 5.6MB 缩至约 777KB。文章总结了几点体会：明确审美与验收标准比堆形容词更重要，声音是交互的一部分，不同 AI 工具分工协作。文末附有可复用的完整提示词模板，可套用于其他古文场景制作。
文章基于 Anthropic FDE Kevin Bai 的演讲与 ElevenLabs CEO Mati Staniszewski 的访谈，系统阐述 Forward Deployed Engineer（前置部署工程师）模式：FDE 是派出工程师深入客户业务、基于自有平台构建定制方案、按结果交付的模式，区别于外包。其适用判据是'高复杂度产品 × 非技术买家'。AI 时代几乎所有平台都可被 Agent 深度定制，推动各公司进入该场景。组织上 FDE 应隶属产品团队，关键在于知识回流平台，否则退化为服务业；文章总结 FDE 为'平台杠杆 × 知识回流杠杆'的双向结构，并以 Deutsche Bank 语音 Agent 案例展示交付流程。
文章针对 Apple 新发布的 M6 Mac mini 与 M5 Mac Studio 系列，系统讲解如何为本地运行大模型选择合适配置。作者提出三笔账：内存容量决定模型能否装下、内存带宽决定生成速度、算力决定提示词处理和训练能力。给出 4 位量化模型内存估算公式和生成速度理论公式，并提供四档选购建议：24-32GB 跑 8B-14B、64GB 跑 32B、128GB 跑 70B、256-512GB 跑 200B 以上或 671B MoE。最后指出数据保密、高频调用、离线需求才是为本地模型购买大内存 Mac 的真正理由。
文章从AI对话缺乏长期记忆的痛点切入，系统讲解了个人知识库的作用、分类与搭建方法。作者介绍了两大主流方案：以检索为中心的RAG知识库和以持续维护页面为中心的LLM Wiki知识库。RAG部分通过Dify演示了从资料上传、切片、混合检索索引建立到Agent接入的完整流程；LLM Wiki部分则介绍了Karpathy提出的三层结构（raw sources、wiki、schema），强调Markdown页面对AI友好且透明可查。最后作者分享了自己结合两者优势的混合方案，帮助读者根据实际需求选择合适的知识库路线。
文章探讨了AI时代内容创作经济的转变：机器使“制作”变得廉价甚至免费，导致内容泛滥（slop），而真正稀缺的是判断力和品味。作者提出，品味不再是好眼力，而是预先写下的规则文档，用以约束AI输出。文章给出四种将品味变现的路径：做筛选者、让个人品牌成为质量担保、拥有角色与世界观而只租用机器、以及出售自己的规则。最后提供了五步日常实践方法：先写规则再生成、让AI做助手而非作者、统计未修改直接发布的内容占比、维护记忆文件、偶尔否决数据。核心观点是：在内容无限的时代，有人在乎过的东西才有价值。
袋鼠帝及其AgentWork开源社区耗时30天推出免费开源的《魔搭紫皮书》，一本约40万字、8篇34章的系统学习AI指南。与侧重AI Agent应用的workbuddy蓝皮书和豆包工作蓝皮书不同，紫皮书面向想从零深入AI领域的读者，涵盖开源模型下载、微调（ms-swift）、评测（EvalScope）、应用场景（AI健身教练、智能客服质检、语音助手等）及Agent篇（Claude Code、DeepSeek Harness等）。作者分享了自己7年前报培训班学习编程的经历，强调开源时代AI学习资源免费可得，唯一门槛是执行力。
本文介绍了 AI 圈新火的模型 Jev——一个不做文本生成、只返回带概率判断的决策模型。文章讲清了它的三种用法（是非判断、选项选择、打分），提供了四种 30 分钟内可上手的接入方式（官方 Skill、Vercel、OpenRouter、SDK），并整理了 8 个可直接复用的真实案例：7 秒订机票、代码审查、工单分流、简历初筛、语义搜索、AI Agent 路由、RAG 重排、动态 UI 拼装等。还总结了 5 个反直觉要点（不写字、零幻觉指格式而非正确性、不会拒绝等）、官方自曝的雷区（不会算术、不懂日期先后、易被提示词注入），以及不适合使用的场景。
腾讯开源了微信团队的端到端文档解析模型 WeVisDoc，提供 2B 和 4B 两个版本。模型可将整页文档图片直接转换为 Markdown，无需分别裁剪标题、正文、表格和公式。它能保留复杂文档结构：正文转 Markdown，公式转 LaTeX，表格转 HTML，并恢复阅读顺序。版面理解、文字识别、公式识别和表格重建均由单一视觉语言模型完成，无需额外部署版面检测器或 OCR 引擎。2B 适合资源有限场景，4B 在拍照、翻拍等退化页面表现更优，在公式和表格解析方面端到端领先。
文章分析了2026年9月公众号、头条号、小红书加强对AI内容审核后，AI辅助写作文章阅读量下降、不被AI搜索引用的原因。作者基于1200多篇自媒体文章的数据统计指出，平台限制的并非AI本身，而是批量生产的低质内容。表现好的文章AI辅助比例通常控制在25%以内，同质化指数低于30%。作者提出三层人工覆写方法（信息覆盖、加入观点、语气校准），并建议发布前进行五维度检测：AI率、同质化、敏感词、标题合规与冷启动流量预测。核心结论是：AI只能提效，无法替代独立思考，每篇文章应补充100-300字第一手内容。
作者天策记录了与北哥畅聊后对AI时代个人生态位的思考：确立自媒体+线下活动+海外FDE的方向。文章阐述了AI视角下的行业逻辑——skill、agent和AI产品本质上都在为Token打工，关键是扩大应用范围卖出更多Token。作者介绍了合作的AI平台Creao，提供低成本使用顶尖大模型的机会，使其能按想象力开发产品并利用最顶尖大模型套利。作者感叹AI让00后、05后超级个体涌现，一人即一家公司，认为这是最好的时代，鼓励大家顺势而为在AI时代收获财富。后续将专注前端流量，后端承接已稳定。
作者通过六组实验和五个开源仓库实测 TypeSafe 发布的 Jev 模型的真实能力边界。Jev 是只回答封闭问题、一次前向返回概率分布的模型。核心结论：Jev 适用于信号在语义中的场景（如泰坦尼克 0.83 AUC），对纯统计信号数据（如哈希 CTR 数据）无效；零样本表现相当于 150-500 条标注数据；最佳用法是作为特征融入已有模型而非单独使用，五个项目均获显著提升。作者还总结了问法即超参数、汇总预警取决于时间尺度、情绪分析无用等六条经验，以及评审循环偏差、真值精度等评测教训。
本文介绍了 TypeSafe AI 公司发布的新模型 Jev。Jev 由前 OpenAI 研究员、RLHF 共同发明者 Diogo Almeida 打造，它不会聊天，只做结构化判断，像流水线上的质检员。Jev 通过'填表'方式解决大模型自由文本输出带来的不可控问题，支持单选、评级、判断三种题型，且自带 confidence 置信度，可按把握度决定自动处理、人工确认或转人工。它比同级大模型快约 200 倍、便宜约 400 倍，适合客服分流、内容审核、简历筛选、AI 输出质检和数据清洗等自动化场景。文章还讲解了如何把大问题拆解为具体小问题来使用 Jev。
TypeSafe AI 于 2026 年 9 月发布的 Jev 是一个只做选择题的 AI 模型（单选、打分、是/否），响应 0.07–0.5 秒、输入价格极低、输出免费。作者梳理了官方数据及 Hacker News 上的质疑，指出“Jev 取代大模型”是伪命题，其合理定位是高频、低价地执行小判断。文章按用途分类整理了已真实跑通的案例：为 AI Agent 当决策器、海量数据分类、高低置信度分流混合架构、实时反应界面和仿真实验，并列举了已接入的商业产品。作者还分享了自己四次失败的集成尝试与两轮实测结论，强调概率校准的重要性。
文章探讨 TypeSafe 公司 Jev 决策 API 背后可能的基础模型架构，提出两种假设：一是 BERT 风格的双向编码器，二是去掉生成循环、直接输出决策概率的因果解码器。作者引用 Archer Hume 基于约一万次 API 调用的逆向分析，认为其可能是带共享状态计算、独立问题分支和直接概率读出的因果 Transformer，甚至可能是 MoE 架构，但其研究无法区分编码器与解码器。文章还通过 OpenJev 等开源项目（基于冻结的 Qwen3.5-4B 权重）证明使用因果模型骨干做直接决策打分在技术上可行，并讨论了因果注意力、前缀缓存等工程优势。作者强调这些都是架构假设，不能确定 Jev 的真实权重来源。
作者精读 Anthropic 57 页经济学论文，梳理了 2030 年前 AI 大规模进入认知型工作后的经济影响。论文设计了温和、显著、极端三种情景，对应 GDP 增幅 1.6%、8.3% 和 32.4%。关键结论包括：AI 独立完成任务比例越高，收入越流向资本而非劳动者；显著情景下 GDP 增 8.3% 但平均工资仅增 2.1%，资本收入增 18.9%；难以被 AI 替代的工作（建筑、电工等）反而升值；工资弹性决定冲击表现为降薪还是失业；极端情景下经济总收益约为认知工作者损失的三倍，核心问题是财富分配而非财富创造。
清华大学联合无问芯穹、上海AI Lab发布C2C（Cache-to-Cache）技术论文（ICLR 2026），彻底改变多智能体系统通信范式。传统Multi-Agent协作中模型需将高维思考压缩为文本逐字解码再传递，造成延迟、语义丢失和高昂Token成本。C2C通过轻量级神经网络（Neural Fuser）将模型A的KV-Cache直接旋转对齐后融进模型B的KV-Cache，并引入可学习门控机制动态决定各层吸收外部缓存的程度。实测推理速度提升2.0-2.5倍，问答准确率较单模型提升14.2%，比文本通信的Agent团队高5%。代码与论文均已开源，未来有望大幅降低Mixture-of-Agents调用成本。
作者分享了使用新模型 Jev 对《人民日报》新闻进行湖北相关元素分类的实测体验。此前该项目一直使用 Gemini Flash Lite 系列，积累约 2.4 万条数据。通过 OpenRouter 上线 Jev 后用相同提示词对比测试：速度上单篇耗时从 3 秒降至 0.35 秒，提升近 10 倍；质量上与 Flash Lite 仅 15% 判断不一致，且差异多源于人名知识库差异，实际正确率约 95%；价格上处理 5 千条数据 30M Token 仅花费 1 美元。作者认为 Jev 代表的分类器大模型在分类场景下实现了速度/质量/价格的不可能三角，极具前景，并计划连夜用于优化生产项目。
文章分享了针对 GPT Image 2.5 的两套可直接使用的人像生成提示词模板：单灯棚拍人像与户外自然光。作者提出提示词应遵循官方四段结构（场景、主体、细节、约束），强调模型听得懂的是具体信息而非情绪词。文中给出通用五层骨架、参数配置，以及提示词过长时的删减顺序——先砍细节色彩，最后才动光线和取景。还解析了模板中关键句子的作用，如光斑不打进眼睛、暗部反光补偿等，帮助用户写出可控、稳定的图像生成提示词。
作者围绕新模型 Jev 在金融投资领域的应用做了几千次真实 API 调用测试，估算模型费用约 0.05 美元。文章梳理了推特上多个热门应用案例：交易机器人、价格预测、SEC 公告筛选、期货短线交易、代币风险筛查等，并分析了各自优劣。作者认为 Jev 不适合生成完整研报，更适合作为核验检查步骤：区分预计收入与已实现收入、识别数据口径错误、去重消息、发现交易动作与用户意图冲突等。文章还介绍了 Jev 与主模型配合的流程设计、缓存与成本考量，给出了基于 TypeSafe Playground 的上手实验建议。作者用 104 条合成样本测试，99 条符合预设，提醒速度可试研究辅助但不能承诺交易执行，最后透露正在开发期权策略选择器。
TypeSafe AI 于2026年9月发布的 Jev 是一个不做对话和内容生成的专用判断模型，主打低成本、高速度地解决软件中的小型理解判断任务，如工单分类、优先级评分和概率判断，提供 Choice、Score、Noul 三种能力。其极低价格（每百万输入token 0.042美元）和 Vercel、Netlify 的快速接入引发开发者关注。文章分析了其'零幻觉'宣传的真实含义、评测数字的适用边界，并指出 Jev 的价值在于与生成式模型、程序和人分工协作，让软件能以低成本读懂小问题。
文章介绍了旧金山创业公司 TypeSafe 推出的闭源基础模型 Jev。它不做文本生成，只做判断题、选择题和打分题，输出严格限定在预设选项内，可在约100毫秒内出结果，成本极低。其核心技术是通过 RLCD 强化学习实现概率校准，类似于卡尼曼所说的 System 1 快思考，与传统大模型的慢思考互补。文章展示了社区应用案例，如浏览器 Agent、游戏实时决策、LangChain 工具路由、AI 输出审核等，也指出其在数数、算数、多跳推理和中文上的短板及提示词注入风险，认为 AI 调用正在走向分层架构。
文章分析了 TypeSafe 发布的新模型 Jev——一种只能做分类、评分和路由决策、不能生成文本的'System One'模型。Jev 比通用 LLM 快 40-200 倍、便宜 40-400 倍，通过 RLCD 训练方法实现零样本概率判断。早期独立测试显示其准确率接近 GPT-5.6 等大模型，垃圾邮件分类甚至可媲美有标注训练的分类器。代价是失去了解释能力，无法说明判断理由。作者认为这可能改变 AI 应用架构：用 Jev 做大规模廉价监控评估，用 LLM 判官处理少量样本以获取改进方向信号。
本文深度解读 DeepSeek-V4.1-Flash 技术报告，该模型通过 CED 不对称编码器-解码器架构、CSA2 跨层稀疏注意力复用、FP4 主 KV 量化及 SWA Bounded Replay 近似恢复四项设计，将常驻 HBM 的全局 KV 缓存降至 890 bytes/token（约为上一代四分之一），持久化缓存降至八分之一。文章详细解析各项技术的原理与协作机制，澄清了对压缩数字的常见误读，评估模型能力变化，并与 PagedAttention、MiniCache 等已有 KV 压缩路线对比，指出该工作将缓存压缩从算法点推进为面向百万 token 长程 agent 场景的系统级共同设计，同时讨论其证据强度与局限。
本文系统讲解 MoE（混合专家）模型的推理服务工程原理。从稠密 Transformer 的 FFN 与 MoE 层的区别入手，介绍路由器如何为每个 token 选择专家、dispatch 和 combine 过程如何将路由决策聚合成专家专属矩阵，以及 grouped GEMM 如何减少内核启动开销。文章还涵盖专家并行、拓扑感知部署、显存需求（常驻参数 vs 激活参数）、负载不均衡、容量限制和量化等话题，并分析计算、显存带宽与互连流量之间的性能瓶颈权衡，以 Qwen3-30B-A3B 为实例说明。
这是一篇关于微调小型LLM的完整实战指南。作者指出不需要70B大模型或昂贵算力，1.5B参数模型在200-500个优质样本上微调后，可在特定任务上超越通用提示的前沿模型。文章以商业融资文案生成为例，详细讲解了微调的实际目标、建立基线（纯提示、RAG、微调）的先后顺序，并分步骤介绍了小型基座模型选择（如Qwen2.5-1.5B）、数据权利合规、可复现数据下载、PDF文本提取与OCR、文本清洗、训练数据集构建、QLoRA训练、评估与部署，每一步均附完整代码。
文章介绍了 TypeSafe 于 2026 年 9 月发布的 Jev 模型——一个专注于快速、低成本语义决策的"系统一"模型。传统 LLM 在智能体循环中处理大量小型判断（如工单分类、命令风险评估）时逐 token 生成，速度慢且成本高。Jev 通过三种原语（Choice、Score、Noul）接受非结构化输入，返回带概率的类型化答案，端到端延迟 70-500 毫秒，输入价格仅为 LLM 的一小部分。文章分析了概率置信度在自动决策中的作用、RLCD 校准训练方法，并澄清"无法幻觉"的说法：Jev 不会打破输出 schema，但仍可能自信地选错选项，适合与 LLM 配合而非替代。
Jev 是由 ChatGPT 联合创造者、RLHF 联合发明人 Diogo Almeida 在隐身两年后推出的决策型 AI 模型。它不做对话生成，而是为软件提供快速决策：选择题、评分、是/否判断，号称比前沿 LLM 快约 200 倍、便宜 400 倍，响应仅需几十毫秒。文章盘点了社区基于 Jev 构建的 9 个实际应用，包括 7 秒找机票的浏览器代理、上下文即时压缩工具、编码代理安全审查器、模型路由中间件等。其命名源自 19 世纪经济学家 Jevons，暗喻资源越便宜消耗越多的悖论。
文章深度剖析了 TypeSafe 发布的新决策模型 Jev。与 LLM 不同，Jev 不生成文本，而是输出程序可读的决策 JSON，剥离语言能力，专注做软件中的小判断（分类、布尔判断、打分）。开发者通过传入 state 和 questions 进行调用，模型基于 RLCD 训练方法实现概率校准。相比 LLM，Jev 在演示中快 75 倍、便宜 171 倍，且因输出受类型约束可减少幻觉，但仍可能选错。文章介绍了客服、发票、安全告警等场景评测及 Doom 游戏演示，并建议从工单分类等边界清晰的任务开始试用，逐步开放自动处理。
TypeSafe AI推出的新模型Jev只做高频决策判断，不能聊天或写代码，是一个通用分类器。它由前OpenAI创始人Diogo Almeida打造，采用自研RLCD训练方法（面向校准决策的强化学习），响应仅需380毫秒，速度快20-200倍，成本低40-400倍。文章通过浏览器插件过滤X内容、玩马里奥、操控浏览器等案例展示其能力，并在预筛任务中与GLM、DeepSeek、Qwen对比，Jev在并行判断任务上综合表现最优。其名源自杰文斯悖论，寓意智能判断将因便宜而被大量使用，可能代表Agent时代的重要新方向。
作者重读Notion创始人Ivan Zhao被读600万次的名文《蒸汽、钢铁与无限心智》，梳理其核心观点：每个时代由'奇迹材料'塑造，钢铁造就镀金时代，而AI正以'无限心智'形态到来。文章评价：个人层面，10倍工程师通过指挥多个AI智能体成为30-40倍工程师，但'无限心智'受限于人类有限的验证注意力；组织层面，AI如同组织的钢铁，能极大提升效率，但我们仍处于'替换水车'阶段，且概率性材料盖确定性高楼需更深地基；经济层面，知识经济将如城市从佛罗伦萨演进为东京。作者同时警示：脱离一线的监督者会失去质量手感，年轻人的手艺底子可能变空。
