一些关于 Jev 的 notes 研究了一天 Jev，带来的新鲜感迅速回落，这好像就是一个更快的通用分类器/决策器，LLM 完全可以做到。 而且因为不了解模型背后的参数规模（应该不会很大），世界知识可能不一定有常规 LLM 那么全，在这种情况下，它的复杂场景的决策结果是不是真的准还是要打一个问号的。 在一些有限解空间 + 低延迟要求的问题上，Jev 可能是一个很好的方向，加上形式化输出从程序上保证了正确性。 一个最常见的场景就是 Computer Use，太适合 Jev 了，网页的 Dom 元素是一个有限集，完全可以让 Jev 来做操作，这里面的 loop 相当于是 dom list -> jev action -> new dom list 这样的循环，但是这里 Jev 的推理能力和长上下文情况下的 computer use 效果如何还不清楚，目前还没有看到 benchmark（直观判断肯定是不如 GPT 6 Astra 的，但是速度太快了）。 昨天有尝试把 Pi Agent 中间的一些模块用 Jev 来重写一下，发现可以优化的地方不是特别多，tool using 部分的选择还是不能用 Jev 来代替，因为这不是一个有限集（每一步 tool using 实际上带了很多参数，比如 edit tool，会有具体的 lines 等参数，这部分是需要模型推理出来的，没有办法提前加到 Jev 的决策列表中），但是有一些地方是可以的，比如说 Compaction，可以让 Jev 快速做分类器（LLM 也能做，这里面差异化不太大）。 另外一类场景是依赖决策树逻辑的，例如： - 游戏 AI - 机器人 - 自动驾驶 而且这些场景对实时性要求比较高，传统的 LLM 来做这些事情的一个很大问题就是太慢了（plus 很大一部分场景是缺乏数据来训练的）。 目前正在做的两个 demo： 1. Poker AI，Poker 非常适合这个场景，而且决策树非常长 + 复杂，正在用 Jev 和其他模型做对抗式 battle。（btw 传统的 GTO Wizard 用来做训练实在是太难用了） 2. Pokemon VGC AI，这是严肃的宝可梦双打对战，有世界锦标赛的那种，每个赛季都有对应的规则，因为数据很全，所以非常适合用来研究 AI 的决策，plus 之前竟然没有一个很好的用来个人训练的 AI（这个做完了打算用这个 AI 实际在 Pokemon Champion 排位赛里用一下）。 这两个 demo 场景都是偏回合制的，其实用 LLM 也能做。