关于 System One Model/ Jev 的部分想法
https://typesafe.ai/blog/introducing-system-one-models-and-jev

最开始看到 Jev 相关案例以及 TypeSafe AI 引言就提到自动化时，基本能了解到 Jev 的领域和边界。Jev 可以简单理解它为纯粹/ 无推理的 OpenAI Astra 应用，类型化决策（Typed decisions）模型。它拥有更极致、快速、准确、甚至能达到即时交互和动态生成的结构化输出能力。更现实的，利好目前自动化工作，完全可以以此发展出一条由结构化模型驱动的 CUA（Computer Use Agents）分支，甚至拆成系统级、Web、App、游戏等不同的即时交互子分支。

Jev 区别于推理模型，它取自《快与慢》的 System One 模型，快与直觉模型，是能够拉起自动化任务、做正确任务的模型。TypeSafe AI 提到 Jev 思路源于 Sutton 的教训，最终发现：做正确的任务 > 数据 > 算力 > 算法。 Sutton 提到规模化的重要性，算力 > 算法规则，所以搜索算力赢了围棋游戏、神经网络规模击败了视觉识别，这也就有了 GPT/ LLM。但机器学习的重点不在机器学习本身。这里引入到现实以及复杂场景，更复杂的是那些需要识别和处理的数据、以及真实的准确的任务。

这个就很有启发，从涌现、压缩、规模即智能，到附带概率的结构化任务输出，有效解决问题，这可靠也智能更多。毕竟智力也被定义为解决问题的能力。Jev 模型零类型错误，没有幻觉，这对于很多用于真实世界模拟和交互的任务分支来说，是更快、更即时以及更平衡的优势。

现在的自动化部署其实不够丝滑，从 LLMs 到脚本任务的配合很难表达出真正的自动化/ 机器智能，Jev 恰恰进行了自动化补全，LLMs+ 的玩法，自动化智能需要这种双路由通道，直觉+推理、理性+感性结合。目前挺看好这个模型和相关玩法。

#Jev