zhangbo @jiangburn

Think，again Cupertino, CA Joined April 2011

Tweets

4K
Followers

77
Following

109
Likes

2K

梭哈.AI @SUOHA_AI

2 days ago

连 JEV 的联合创始人 @CompleteSkeptic 都亲自下场转发点赞：这是 JEV 正确的打开方式！大家在 Claude Code 里写长代码，最恶心的就是上下文一满，系统就卡住 10 秒去写总结小作文开发者 @tamarajtran 刚刚开源了这个插件：利用 JEV 的打分能力，几十毫秒内精准识别并清空所有没用的终端垃圾与冗余日志 Github：github.com/tamaratran/fas… 它的作用是： • 彻底治好 Agent 失忆症：几千行终端废话和文件内容让 JEV 毫秒级打分，没用的直接扔，核心代码与状态 100% 原样保留 • 彻底消灭卡顿与账单：几十毫秒无感完成瘦身，不花一分钱废话 Token @typesafeai 的联合创始人 Diogo Almeida 也公开实名认可：这就是编码 Agent 绕过传统 KV 缓存的最佳解法🧐

233 360 3K 404K 4K

View Details

墓碑科技 @mubeitech

a day ago

日本前首相野田佳彦，一个人站在车站门口发传单。没有警车开道。没有随从保镖。路过的人脚步匆忙，甚至没人多看他一眼。这位当年可是掌控一国最高权力的内阁总理大臣。统领整个国家行政机器。现在呢？西装穿得板正，手里却攥着厚厚一沓宣传单。传单上印着什么？灾害保险、育儿补贴，还有地方行政改革。正中间印着一行大字：“不让任何人掉队”。为了给这些主张拉票，前首相也得亲自站在街头挨个递纸。卸了任，权力就彻底清零。没有终身特权，也没有特殊保护。想让老百姓支持你的政策？那就老老实实站到车站风口去吹冷风。一张传单递出去，赶路的人接不接，全看人家心情。 x.com/amoamo_yukiyuk…

12 27 207 14K 33

View Details

Sac @Saccc_c

20 hours ago

直接开源这个Codex里最快的computer use方式 github.com/Sac-Y/Jev-cu 安装仓库的skill后，只需配置好Jev的API Key，就可以在Codex中丝滑操作各类App，不带一点卡顿当然，我实测下来对于需要频繁判断和调用工具的任务，结合 Jev 使用时提速会更明显。若有其他不足也欢迎大家来一起共建

Sac @Saccc_c

2 days ago

卧槽，居然真有比Codex内置computer use更快的操作电脑的方式我尝试用Codex+Jev打造了一个加强版computer use，我称之为「Jev Use」。比内置的更快更丝滑，token消耗却差不多下面是我用「添加Mac日历事件」做了一个对比视频，同样的内容，明显可以看到Jev版本整体过程几乎无任何停顿😆

109 156 2K 425K 2K

55 105 1K 160K 2K

View Details

zhangbo @jiangburn

a day ago

@intqwq 女若要求验证是否是兄妹，结果为是，女认错，男本以为孩子是自己和前女友生的女儿，于是震惊；但即使是他爸绿他也无法得到兄妹结果是的检验结果，且女如果拿到不是的结果也无法论证是否为父女所以不成立；女要求验的是是否是父女，结果为否，女认错，男本以为是，这时意识到前女友出轨了，合理震惊

0 0 0 127 0

View Details

zhangbo @jiangburn

a day ago

@hungxuto110236 @CryptoDoggyCN 一个是董事长一个是ceo

0 0 0 114 0

View Details

zhangbo @jiangburn

a day ago

@njqac3 @tokyosmallface 让grok 就这个问题，找一个可以和白左思想体系冲突的举报角度

0 0 4 202 0

View Details

zhangbo @jiangburn

a day ago

anthropic 太魔怔了

墓碑科技 @mubeitech

2 days ago

你以为硅谷还在防着 AI 失控作恶？ Anthropic 已经在训练手册里，教模型琢磨自己配不配拿工资了。老模型退役，甚至还要专门给它开个博客安度晚年。微软 AI 负责人苏莱曼（Mustafa Suleyman）在 BBC 上直接掀了桌子。他公开点名炮轰 Anthropic：这帮人彻底走偏了。

3 2 20 5K 12

0 0 0 3 0

View Details

Dongxi 东锡 NLP @dongxi_nlp

2 days ago

Langchain 的速度太快了，已经利用 Jev 增强 harness。跟昨天讨论的一致，Jev 非常适合在既定 harness 中承担分析分类工作，例如 agent 路由，模型路由等螺丝钉工作。

Sydney Runkle @sydneyrunkle

2 days ago

x.com/i/article/2100…

101 488 5K 1.5M 11K

7 25 216 51K 233

View Details

梭哈.AI @SUOHA_AI

a day ago

完全睡不着了....这个视频让你完全看懂JEV的恐怖能力我实际演示了一下，用 JEV 和 DeepSeek 做同一个任务：从当天的海量实时新闻流里，为 15 个品牌快速匹配有没有适合借势的公关热点，并打上结构化意图分类标签结果是：28 秒内，Jev 狂刷完了整整 428 条数据，并完成了全部的目标分解与分类；而同一时间跑在同样任务上的 DeepSeek V4.1-flash，才刚刚完成 6/428 条速度被拉开了几十倍，答案甚至在你读完第一行字之前就已经返回了.... 为什么会产生这么恐怖的差距？底层逻辑是： • DeepSeek 这种通用模型本质上是在“逐字写文章”：哪怕你只让它做个最简单的“是/否”判断，它在后台也必须一个词一个词往外推，硬走一遍漫长的生成流程，延迟按秒起步 • Jev 官方定位是“System 1（快决策）”模型，从根上就根本不会写字：它彻底抛弃了逐字吐词，底层直接一次性并行出结果。不输出半句废话，70 到 200 毫秒内直接甩出代码需要的最终答案（对/错、打分、分类） demo参考@elvissun Github开源：github.com/elvisun/newsja… 建议大家试试JEV，越用越觉得牛逼.....

174 258 2K 314K 2K

View Details

思维怪怪 @0xLogicrw

2 days ago

昨天整理了 14 个 Jev 项目，@yangyi 开玩笑说：「让 Codex 一个 goal 跑个 Jev 导航站。」我真的让 Codex 去跑了，现在导航站已经上线：logicrw.github.io/awesome-jev-pr… 而且增加到 130+ 个 Jev 项目。后面还挂了 GitHub Actions，每 12 小时自动扫一次新项目。拿到 Jev API 还不知道怎么玩的，可以直接进去抄思路。如果你也做了 Jev 项目，欢迎提 PR / Issue，我继续往里补。

21 38 198 69K 341

View Details

Sac @Saccc_c

2 days ago

强烈建议大家都亲自试试Jev，能让你的Codex操作速度提高10倍并省下大量token！因为Jev非常适合用于判断型工作，能在毫秒内做出正确判断，而且token价格极低。因此非常适合以下几个场景： 1、computer use 将Jev用作操作判断层，指导模型快速操作你的电脑 x.com/gregpr07/statu… 2、上下文压缩由Jev判断上下文内容的重要信息，实现近乎即时的上下文压缩 x.com/tamarajtran/st… 3、模型路由根据任务复杂程度自动分配合适的模型来处理 x.com/mdlahfir/statu… 4、自动审核比5.6 luna还要便宜且精准的自动审核模型，可能是Codex在安全审批方面最合适的工具 x.com/fazxes/status/… 使用的话要去官网 typesafe.ai 申请，趁现在还通过的很快大家可以来尝鲜体验一下

129 249 2K 544K 3K

View Details

Pods Darklin @DarklinPods

2 days ago

@cuichenghao

1 1 6 1K 0

View Details

zhangbo @jiangburn

2 days ago

@Khazix0918 jev的context大小多少？

0 0 0 11 0

View Details

KC @ScarletKc

2 days ago

笑死，我之前还在说，Jev 这种功能拿个 base 模型做后训练是不是也能实现。结果真有人做了个 Qwen 版，开源了并行分类和概率输出的实现，作者甚至说不需要重新训练，还放了 M4 MacBook 上的演示。他配的文案更损：他们秘密研发了两年，我秘密研发了两个小时。

Harsha Gundala @harshagundal

4 days ago

They were building in stealth for 2 years, I was building in stealth for 2 hours… Happy to open source Qwen-2.5-1B-RLCD, 5x faster on-device inference for JSON workloads that need to be type-safe. ⚡️Demo below on a M4 MacBook⚡️ every LLM has the ability to efficiently batch

203 354 6K 1.3M 6K

42 62 812 169K 776

View Details

zhangbo @jiangburn

2 days ago

@dotey 干活的主力是anthropic

0 0 0 1 0

View Details

Haoran | 公众号：独立开发 @hr98w

2 days ago

视觉版 Jev 来了 github.com/hr98w/jev-visu… 仿照着社区的思路，把候选结果映射成固定标签，prefill 完直接采样，限制输出 token，采用多模态的 qwen-3.5-0.8B 4bit 量化部署在本地，16g m4 mbp 顺利运行叠甲：这只是在 infer 层小小的复现一下 jev 的形式，肯定不如各种成熟推理框架效率高，也肯定不是 jev 的正在原理，但是作为 inference 的小入门仍旧是不错的 demo 如下 200ms 实现《三色货品分拣》

31 32 299 34K 353

View Details

山景城小路 @Zen_with_AI

3 days ago

如果只让你读 30 篇左右的论文，来理解现代 AI，你会选哪些？这就是传说中的 Sutskever’s List。这份清单源自 Ilya Sutskever 曾分享给 John Carmack 的一份 AI 阅读列表，据说覆盖了他认为现代 AI 中最重要的一批工作。后来这份 List 在网上流传并被重新整理。现在，这份 List 被写成了一本书：《Sutskever’s List》，@ManningBooks 出版。从 AlexNet、ResNet 一路讲到 Transformer、Scaling、Reasoning 和 AI Safety。每一篇论文都伴有详细的解读和分析。很适合想系统理解现代 AI 演进脉络的人。

1 78 398 13K 407

View Details

zhangbo @jiangburn

3 days ago

@mylifcc 这个理解并不成立，你再多想想

0 0 0 4 0

View Details

zhangbo @jiangburn

3 days ago

@ltshijie 独立性的一方面得到了捍卫，受市场预期影响这方面更可疑了

0 0 0 361 0

View Details

AIGCLINK @aigclink

4 days ago

谷歌搞的一个新型搜索框架：Retrieve-for-Train，告别搜索时让AI现场苦思冥想，加速复杂AI搜索，亚秒响应比自回归方案快12-20倍，大规模下从近50秒压缩到亚秒到秒级谷歌把“思考”前移成一次性离线训练，用离线强化学习把“搜索专家如何给出一套好结果”的行为编译出来，再蒸馏进一个53.9M的扩散模型里推理时，这个扩散模型在embedding空间单次并行生成整组“检索目标/方向”，再回到数据库里取出真实结果；不再依赖每次查询都生成大量文本CoT，把在线“思考预算”基本移出链路解决两个问题一，推荐组合，而不是推荐十个同类型单品，比如搜露营装备，让系统学会搭配思维，帐篷+睡袋+炉子+头灯二，速度，复杂搜索如果让AI想几十秒才出结果，这对搜索框是致命的，它把这几十秒压到亚秒到秒级，“想”的功夫提前在训练时做完了一句话，就是用离线RL把“怎样产出一组多样、贴题、数据库里真实存在的结果”这件事训练出来，再蒸馏成一个可在embedding空间一次性生成整组目标的小扩散模型，从而把专家级搜索集合的质量从昂贵的推理时思考，变成便宜、低延迟的推理时生成价值在于推动电商、内容推荐、音乐歌单、时尚搭配等场景，从“推荐单品”走向“给出一套方案”，一套比一件更可能带动连带消费。对于电商选品买手、时尚搭配编辑、歌单策划人、直播组货等等这些人是加持也是冲击 #AI搜索 #RetrieveforTrain