看看你能用 Jev做些什么吗？ 有人建了一个叫 Jevable 的网站（http://jevable.com），它展示了 X 上所有有趣的演示——可以按几个类别过滤。
这个文件是 Jevable 网站的页面快照，展示了大量用 Jev（由 TypeSafeAI 开发的 System One 模型）构建的项目。虽然页面顶部写着“359”和“No projects found”，但实际列出了几十个项目卡片。以下是对内容的整理和分析：
Jev 是什么？
从项目描述中可以提炼出 Jev 的核心特点：
- System One 模型：快速、廉价、只做决策，不生成内容。
- 输入输出：接收结构化状态 + 类型化问题 → 返回带概率的选择（choice with probabilities）。
- 速度：通常在 100–300ms 内返回结果，适合实时场景。
- 成本极低：例如 3000 个零食评分仅 $0.11；586 页 SEO 审计 $0.21；300 万回放事件分析 $2.17。
- 不写东西，只做判断：正如一个项目所说：“Jev 从不写任何东西。这正是它有用的原因。”
项目分类与典型用例
游戏与博弈
- Jev plays Catan、Jev Chess Master、Jev vs. GLM at chess、Fly vs. Jev chess
- Jev plays Mario、Jev plays pinball、OpenCode plays Tetris
- Connect Four、Sudoku、Manhattan 寻路、迷宫逃脱
- Jev flies a Kerbal rocket、Dogfighting 实验
- 混沌厨房模拟（4 个厨师、订单过期、火灾优先级）
浏览器代理与自动化
- Browser Use + Jev：找航班 7 秒，成本 $0.0039
- rtrvr.ai with Jev：任务耗时减少约 40%
- Notte：Jevmaxxing，每步从页面动作空间中选择
- X scrolling agent：像人类一样快速滚动 Twitter
- Discord event research：自动查找频道、收集活动名称和日期
- Jev macOS Loop：不发送截图，9 个文件整理到 3 个文件夹仅 7.39 秒
表单、UI 与交互
- JevForm：动态分支表单，根据回答选择下一个问题
- Typeahead UI：输入未完成时已知道要更新什么
- Instant generative UI：json-render + Jev，毫秒级渲染
- Predictive app launcher：读意图而非模糊匹配
- Semantic spreadsheet formatting：语义格式化表格
- Spreadsheets that read intent：输入“Urgency”，自动为每行评分
搜索与意图理解
- Jev Search：自然语言搜索，Jev 选择搜索位置并排序结果
- Find in page by meaning：按含义查找，而非字符串匹配
- Search your inbox by intent：Gmail 意图搜索
- Explore art by meaning：196 件 Met 艺术品按“安静↔响亮”“神圣↔日常”映射
️ 安全与代码质量
- pkg-gate：npm 预安装门禁，~100ms 检查恶意脚本
- traffic-guard：离线机器人门禁，用于反向代理
- jev-codes：用 YAML 编码标准审计 git diff
- A Jev code-review gate：不写代码的代码审查
- Magic Jev Ball：GitHub PR 上问“该批准吗？”，~200ms 决定
- A draft quality gate：在用户看到之前杀掉违规草稿
- A logical-fallacy detector：实时给 X 时间线帖子打逻辑谬误概率分
数据分析与决策
- TC39 Atlas：12.7 秒评估 324 个提案（~25.5 个/秒）
- Session replay to bug fixes：40 秒分析 300 万事件，开 213 个草稿 PR
- An internal-link SEO audit：45 秒读取 586 页，重建内链地图
- Outreach intent analysis：数千条外联消息，40 秒找出哪种意图信号带来最多演示
- A Jev query planner：Postgres join order benchmark 提速 12%
- Job-description and résumé matching：JD 与简历匹配
- News-driven stock research、An autonomous trading experiment（给 Jev $10,000 交易）
- A daily market brief、Turning signals into decisions
创意与多媒体
- Drawing, one decision at a time：并行预测每个像素来画画
- Live 3D character expressions：每消息 10 个决策，实时编排 3D 角色表演
- A city on a whale：GPT-6 Astra 设计世界，Jev 选择行动，H3 Max 生成视频
- Higgsfield model routing：Jev 评估提示词，选择最适合的视频/图像生成模型
- Instant variable generation
机器人与具身智能
- MuJoCo robot-arm control：将每次更新拆成“下一步做什么”和“如何移动手臂和夹爪”
- Robot-arm decisions：Jev 控制机械臂
- MOSS litter-picking simulation：Jev 选目标，MOSS 捡垃圾
其他有趣实验
- Ask Jev：问任何问题，它不回答，它会评判
- A jargon-detecting pigeon：Jev 放在鸽子里，找出行话并“拉屎”在上面
- An ad blocker with judgment：实时检查每个 DOM 元素，分类为广告/非广告
- Your Signal：用 Jev 给屏幕上帖子打分，本地应用规则
- Coaching and writing checks：反废话检测器和修复器
- A LinkedIn post scorer：领英病毒式传播评分
- A prompt difficulty classifier：用户输入时检查提示词难度
- Instant context compaction：给每个工具调用打分，丢弃不相关内容
关键洞察
1. Jev 的定位：不是生成模型，而是决策模型。它接收结构化输入，返回带概率的选择，速度极快、成本极低。
2. 典型模式：LLM 负责规划/写代码，Jev 负责每步的快速决策。
3. 应用广度：从游戏、浏览器代理、安全、数据分析到机器人控制，几乎任何需要“快速判断”的场景。
4. 成本优势：相比大型 LLM，Jev 在批量决策任务上成本低几个数量级。
5. 实时性：100–300ms 的响应时间使其适合交互式、实时系统。