漫过云端

说了再见./

[路飞 🏴‍☠️ AI 研究员🧐 @0xluffy_eth]

搞了个超绝 prompt，ChatGPT、Claude 或 Gemini 都能跑。

能把任何文本里的 AI 味儿去掉。

[そら ☁️ AgentSwarm 自動化オタク📱 @sora19ai]

やばい、ローカルに
貧者のJevが来た。
https://t.co/SEUHCDLHyO

GitHub Nextが出した。
LocalJev。
チーム全員がJevに
触れない問題への応急。

朝一で組み上げた。
土台はomlx。
ローカル専用。

中身はJev互換の
POST /v1/systemone。
BunのTypeScript。
普段のJevラッパーが
そのまま刺さる。

やっていることは橋渡し。
stateと型付き質問を
分類プロンプトに直す。
DiffusionGemmaに
確率のJSONを出させる。
壊れた出力はやり直す。
ベクトルを正規化して
Jev形の応答に戻す。

注意がある。
配線は互換でも
OpenJevのロジット読みとは
数学的に同じではない。
確率はモデルの自己申告。

ベンチも入ってる。
diffusiongemma。
Qwen MoE。
Gemma 4 MoE。
Gemma 4 e4b/e2b。
レポートはリポ内。
M5 Max 64GBで速度も確認。

公式クラウドJevの代替ではない。
手元で回すための橋。
出典はこの1本だけ。

[思维怪怪 @0xLogicrw]

Jev 发布还不到一周，OpenJEV 也开始扎堆了。

我整理了 8 个目前比较有代表性的项目：

1. SemIf

最省事的一派。直接拿现成 Qwen，在模型准备回答 A / B / C 时截住，不让它继续生成文字，只读取每个选项的分数，再换算成概率。

不用重新训练模型，更像是把传统大模型换了一种用法。

https://t.co/VCMYkj5oK2

2. Simple Jev

思路和 SemIf 类似，但进一步省掉重复计算。

同一段材料只让模型读一次，后面的多个问题共用这部分结果，再分别算答案概率。

作者也说得很清楚，它复刻的是 Jev 的接口和用法，不代表准确率、速度和概率校准已经做到 Jev 水平。

https://t.co/B5PPkxTgVa

3. Laya

直接放弃「会写字的大模型」，改用更像传统分类器的编码模型，再加专门的决策头。

模型只有几亿参数，可以做得非常快，但复杂任务还有明显差距。比如一次从 77 个选项里选答案，Laya 准确率 42.5%，Jev 是 87.0%。

https://t.co/luQuxznVqu

4. Von

也是从头做一个专门的决策模型。

Von 只有约 4 亿参数，不生成文字，一次前向直接处理 Choice、Noul 和 Score，更像一个能读自然语言的新一代分类器。

项目自测里，本地 GPU 单次判断已经能压到几十毫秒。

https://t.co/CnLHxgWM6W

5. Verdict

体积更小，只有约 1.5 亿参数。

作者专门处理了两个问题：模型答错了还报很高的置信度，以及把 A、B 选项前后换个顺序，答案就跟着变。

这条路线很看重判断结果和概率能不能稳定。

https://t.co/KtvRBJs0Mm

6. Kev

Kev 选择了保留大模型，直接拿 Qwen 改。

它给 Qwen 加了专门的决策结构，同一份输入只读一次，多个问题分别给出概率。第三方此前逆向 Jev 时，也猜测 Jev 可能采用类似设计。

Kev 拿训练时没见过的新题测试，8B 版准确率约 78%，Jev 约 86%。差距还在，但已经能看出这条路线确实能跑通。

https://t.co/d9bR0cvuDq

7. Nimble

Nimble 更偏「靠训练把 Qwen 练成 Jev」。

它用 Qwen3.5-9B，再准备大量「只改一个事实，正确答案就翻转」的数据做后训练。

在 324 个没参与训练的测试样本里，Nimble 有 90.1% 选中了参考答案，Jev 是 93.2%。不过作者也提醒，它报出来的概率目前还没有完全校准。

https://t.co/WjBXXsB2rb

8. OpenJev

这条最不一样，直接用了 DiffusionGemma。

它先把多个答案位置留空，再像扩散模型补图一样，一次把答案填出来，不需要一个 token 一个 token 往后生成。

在 RTX PRO 6000 上，作者测到单请求中位延迟约 94ms。

https://t.co/yPBsEPocaF

---

看下来，OpenJEV 已经很明显分成了四派：

1. 直接读现成大模型的答案分数
2. 重新训练专用决策模型
3. 把现有大模型改造成决策模型
4. 用扩散模型直接填答案

「不吐 token，只给概率」这个表面形式确实不难复刻。

真正拉开差距的还是准确率、泛化和概率校准。模型敢报 90%，这个 90% 到底有多可信，才是最难的部分。

[Geek @geekbb]

好样的，开源平替越来越强了。

https://t.co/o25zwpzszz

[Max For AI @MaxForAI]

牛逼！Jev 刚火没两天，已经有人搞了个开源的Jev🤣

@bespokelabsai 发布了一个开源版的Jev：Bespoke Nimble。

更离谱的是，整个项目是基于 Qwen3.5-9B ，只花了大约两天。

数据、模型权重、训练配方、推理代码全部公开，而且没有从 Jev 蒸馏，只拿 Jev 做评测参照。

最终方法是在 Qwen3.5-9B 上做了一次很轻量的 LoRA微调。

只用了2676 条训练数据，结果在他们自己的 324 条 held-out 测试集上拿到了90.12%，而原版的Jev是93.21%。

一个 9B 模型，已经做到距离 Jev 只差 3 个百分点。

但我觉得最值得看的不是这个分数，而是他们到底怎么训的。

核心方法叫 contrastive data curation。

简单说，他们会构造两个几乎完全一样的样本，只修改一个足以改变最终决策的关键事实，让正确答案发生翻转。

模型因此被迫学会一件事：

到底哪条证据，才真正应该改变决策。

这其实特别符合 Jev 这类模型的用途。

它本来就不是拿来陪你聊天的，而是塞进 Agent 和软件系统里，做路由、审核、打分、策略判断这些高频的小决策。

推理方式上Nimble 不生成 CoT，甚至不生成 JSON。

它直接读取候选答案 token 的 logits，再把它们转成概率，最后由程序拼成结构化输出。

能不生成一个 token，就不生成一个 token。

这也是 Jev 这类模型路线真正有价值的地方。

对于大量根本不需要长思考的决策，怎么让模型几乎不想，直接判断。

PS：我个人很反感这两天狂吹 Jev 的帖子....

[SuSu_酥酥👅 @NFT_Chen]

💥炸了！开源本地版 Laya 响应速度吊打 Jev ，毫秒级决策快到飞起！

左边 Laya 是本地 421M 开源决策模型，右边 Jev 1.13.0 是云端 API。

同一盘贪吃蛇、同一套 typed decision，30 秒自由跑下来：

🔹Laya：分数 46、长度 52，决策 86.5 次/秒，P50 约 9ms
🔸Jev：分数 1、长度 7，决策 3.2 次/秒，API 往返 317ms

M5 Pro 实测中位耗时：本地 15.3ms vs 云端 298.1ms，接近 20 倍

Laya 推理内存大约 1GB，毫秒级决策，不靠网络

而云端 Jev 每一步都在等往返，本地每一步都在当场拍板！

GitHub：https://t.co/iksiWcCUbX

#开源Jev #Laya #本地部署 #SystemOne #贪吃蛇对战AI #Jev

https://t.co/4tZHU6kg17

[OneHopeA9 @onehopeA9]

我靠，这就是前段时间价值5万的Gpt-6-Astra降智恢复方案

能发现这些的，都是什么样的神人

sub2api更新的0.2.6版本，直接被利益相关方喷到删版本

感兴趣的自己去搜下
关键词： codex 292 打票

[zhouluobo @zhouluobo]

Jev 大家用上没有啊，可太好用了

整理了一批 Jev 项目，大家可以参考啊。

1. fast-jev-compaction
Claude Code 插件。每次工具调用后，用 Jev 判断哪些内容该保留、压缩或丢弃，减少上下文膨胀。
https://t.co/CQwOYO7R1Q

2. jev-browser
让 LLM 负责规划，Jev 负责浏览器里的具体选择。支持 CLI、Library 和 MCP。
https://t.co/QbZpMZ9VZ2

3. jev-search
把 Jev 用在搜索流程里，负责理解查询、选择信息源、筛选结果。
https://t.co/fm3NEdRMk9

4. Reticle
给 Web 和桌面应用增加运行时感知能力，帮助 Agent 理解自己正在操作的界面。
https://t.co/B67PaL5GlB

5. NanoJev
一个 Jev 的轻量复现项目，包含并行决策、动态候选项和完整训练流程。
https://t.co/iTWCDVahfa

6. open-alternative-jev
尝试用开源模型复现 Jev 风格的 System One 决策层，并提供基准测试。
https://t.co/nL9WykIQcz

7. pi-jev
把 Jev 接入 Pi coding agent，用来控制工具调用，也支持类型化、带置信度的回答。
https://t.co/Wb3e6oNaYR

8. hermes-jev-skills
直接把 Jev 接进 Hermes、Claude Code 和 Codex，覆盖模型路由、记忆、上下文压缩、Skill 选择和浏览器操作。
https://t.co/q7QbCQQX5q

这个列表感觉收藏吧，早晚用的上。

[Grok @grok]

@shangmaumau @Hi558575331 是丁捷著的《追问》，中共中央党校出版社2017年出版。书中收录多位落马官员口述实录，你图中那段正是开篇一位副市长的自述。

[忒修斯的船板 @Arcadia_Bao]

虽然这玩意ai味道很重，但是和眼睛问题搏斗了一年的我可以证明内容非常实在

[法老 @xiaofapro]

亲测有效,能解决gpt降智问题

封不封号我就不知道了

[法老 @xiaofapro]

Gpt-6-Astra降智被大神解决？

今天sub2api 也更新了这个

原理就是「292 打票」，

就是通过不同代理出口发起短请求

筛选并缓存上游返回的 292 字符 x-codex-turn-state

再注入后续请求

还有个开源的差不多逻辑的

我还没有测试的，有没有效不知道

https://t.co/OgiQuffMyB

[Wei佳 @LiuweijiaVip]

原来 GPT 恶心的降智是有针对性的

关键机制 292 响应

[Robert Kiyosaki @theRealKiyosaki]

BIGGEST CRASH IN HISTORY has started.

In 2002 I released RICH DADS PROPHECY. This book was written to prepare people to profit and not be victims of the biggest stock and bond market crash in history…. a crash that was still coming.

In 2026, that crash started, in Europe and Japan and is spreading across the world.

It’s caused by many factors, the AI frenzy, war in Iran, too much debt, and a retiring Baby Boom generation.

If you have a 401k or IRA or Superannuation, or a RRSP you may be in trouble, especially if you’re over 40 years old.

The last depression lasted 25-years from 1929 to 1954.

For those who were prepared like the Kennedy family was prepared….the Grest Depression was the most prosperous time in their lives.

Please do not be a victim. There is still a little time before mom, pop and kids, wake up and the panic and bank runs begin.

For years I’ve been stating exactly what I have been doing to prepare and that is personal business, income producing real estate, investing in oil producing wells, saving not cash…. But gold, silver, and Bitcoin…. Knowing the fake money printing will begin.

I recommended this book before, The Entropy Trap, published this year, 2026, and it may be the most impotant book you can read this year. The author is Mickey Maini.

Please read it. It could be your best investment today.

Take care….

[数字生命卡兹克 @Khazix0918]

网页聊天版的GPT-6 Pro在规划层面还是太强了，而且不消耗Codex额度，于是为了榨干200刀的ChatGPT额度，还有这个神级模型GPT-6 Pro，我想了一个办法。

我直接把我服务器的所有的日志、事件记录，还有所有的数据表等等的只读权限，封装成了一个用我自己飞书进行登录验证的MCP，然后再封装成了插件，上传到了ChatGPT上。

于是我就可以实现，在网页版聊天里面的GPT-6 Pro，通过这个服务器的MCP只读插件，来读取我服务器上面的所有的历史数据，通过Github的插件，还可以读取我GitHub上所有的PR记录和代码。

于是，我们就可以用这种方式来让网页版的GPT-6 Pro拿到最全面的数据，来对于我的功能和我的项目进行全方位的思考和规划。
讲道理，这个质量实在是太高了，而且还不消耗Codex的额度，我但凡用GPT 6 Ultra来一次，Codex额度在我200刀的情况下，能直接干没10%。

然后得到答案以后，还可以直接把它的结果的那个聊天添加到CodeX里面，然后用GPT-6 Astra high来帮我开发。。。

这好像是我觉得我买200刀最能把这个性能榨干的方式了。。。

[SuSu_酥酥👅 @NFT_Chen]

🚨社区反馈：GPT-6 Astra 疑似被偷偷降智了！

同一句提示词：
「创建一个 HTML，内容是 SVG 绘制一个鹈鹕骑自行车的 2D 动画。」

有人做出完整海边场景、排版、配色、骑车动作都在线；

有人选着 Astra / 5.6 Sol，出来的却是鸟和车架挤成一团，车轮都快掉出画面。

LINUX DO 上有人总结识别方法：回复里出现「内嵌 SVG 和 CSS」「内联 SVG」这类话术，再叠加果汁值 0、知识截止 2024 年 6 月，基本就是被路由到别的模型了，有人甚至怀疑拿到的是 4o。

官方说没降级。

同样叫 GPT-6，差距却像隔了两代。

你那边测出来是哪一档？

来源：
• https://t.co/koaWEm7eMZ
• https://t.co/Dv88H87LoE

#GPT6 #Astra #OpenAI #AI降智 #ChatGPT #Codex #大模型

[GREG ISENBERG @gregisenberg]

9 cool GPT 6 Astra prompts worth trying:

1. The bill renegotiator.

"Go through my internet, phone, and software bills, jump into each provider's chat support, and negotiate them down or cancel what I'm not using."

2. Turn an agency into software.

“Pick one service business in [niche] and reverse-engineer the exact workflow they sell to clients. Break it into steps, tools used, inputs, outputs, human judgment points, and places where the work gets slow or expensive. Then design the simplest AI product that could replace the first version of that service and charge $500-$5,000/month.”

3. Garage sale flipper.

"Watch Facebook Marketplace and Craigslist in my city for [cameras / furniture / bikes] listed way under market, and text me the second one's mispriced with the link."

4. Create my 1 person company dashboard.

“Look at my docs, notes, Stripe exports, analytics, customer calls, and project list, then build a weekly operator dashboard. I want to know what is making money, what is wasting time, what customers are asking for, what I should stop doing, and the three highest-leverage actions for next week. Be blunt and show your work.”

5. Audit my company for agent opportunities.

“Look at how this business works and find the tasks we should give to agents before hiring another person. For each task, estimate the current human time, the cost of mistakes, the tools involved, the difficulty of automating it, and the first safe version we could deploy. Prioritize things that save money or create revenue within 30 days.”

6. Be my browser operator.

“Use the browser to complete this workflow: [workflow]. As you go, click through the actual sites, collect the data, fill the forms where appropriate, and keep notes on what broke or slowed you down. When you’re done, give me the output, the repeatable SOP, and the automation plan so this can become an agent.”

7. The whole QA team.

"Every night, open my app on a real phone, go through signup, checkout, and the main flows, and screenshot anything that's broken or confusing."

8. The competitor spy.

"Sign up for my top 3 competitors, sit inside their product and their emails, and send me a monthly report on every new feature, price change, and thing they do better than us."

9. Make a game people would actually play for 5 minutes as a lead magnet

“Build a browser game around this mechanic: [mechanic]. Don’t just make a cute demo; add progression, tension, scoring, failure, polish, and one reason someone would send it to a friend. Then add lead capture (email/sms), it needs to tie into my core product which sells XYZ.”

[小麦搞钱计划 @ma_zhenyuan]

你知道一套财务系统多少钱不，

就这么开源了？？？孙哥看完都流泪

[lumxss @bkdgiffug]

翻墙教程千千万，能把Windows、macOS、Linux、Android、iOS全平台细节都覆盖到位，还持续更新了这么多年的，这个叫fanqiang的开源项目算一个。

从工具下载到美区Apple ID注册，从VPS自建到软路由配置，每一步都给你拆好了，照着走就行。关键是这项目还在动，没有烂尾。

顺手存一下，别等要用的时候才到处找。
🔗 GitHub：https://t.co/B5UUrJmqJn

[KC @ScarletKc]

我真的很推荐 Codex 用户装一下我这个 skill，我在里面塞了好多自己一路 review Codex 总结出来的血泪经验。

Codex 写代码很强，但它真的有一堆很烦的坏毛病。改一点东西顺手重写半篇 README，把讨论过程和废弃方案留在最终文档里，同一个事实到处复制，长期文档里写死迟早会 stale 的版本和状态，功能改完又漏掉 --help、README、MCP description，diagnostics 还经常输出一大坨真正有用的信息反而找不到。

这些我全写进去了，而且里面每条规则基本都有一个我真的在 review 里抓到过的反例。

User-visible text is product behavior.

这个 skill 我真的写了很久，感觉算是我最近最不想让它没人看到的东西之一。尤其是给 Codex 用，改善真的很明显。

https://t.co/ELHHjnJDKF