黑洞资源笔记

各类新模型层出不穷，恨不得向全世界证明自己能写、能聊。然而，近期风头最劲、刷屏全网的顶流，却是 Jev。它一句话都不说，到底怎么玩？

——APPSO

【放弃生成式对话：Jev 正在重塑 Agent 的决策骨架】

TypeSafe 推出的 Jev 并非用于聊天，而是专门处理非结构化输入到类型化决策的转换。它通过 Noul、Choice 和 Score 三种原语，在单次请求中并行处理多个原子判断。输入成本为每百万 Token 0.042 美元，输出符合预定义的类型约束，杜绝了模型乱吐字符导致程序崩溃的风险。

开发者应当把复杂逻辑拆解为看一眼就能判的微小任务，利用代码逻辑而非提示词工程来组合结果。这种做法将决策权从模型黑盒收回到确定性的程序逻辑中。置信度字段为自动化流程提供了分层依据：高置信度任务直连执行，低置信度任务触发人工复核。

尽管官方数据亮眼，但实际应用中仍需针对特定业务校准阈值，防止模型以高置信度给出错误答案。

Qwen 发布全新 Qwen3.8‑Omni‑Flash：首款原生 omni‑modal、具备“感知→推理→工具执行”闭环的 agent 模型，能同时理解音视频并编排多步工作流（如自动剪辑 Vlog、短视频翻译、影片摘要）；支持 1M 令牌长上下文、在 OmniVideoBench 用 51.8% 更少令牌定位关键片段、较 Qwen3.5‑Omni‑Plus 视频输入成本降约 89%，在 WildClawBench‑MM 与 UniClawBench 上平均领先 +19.5 点；同时开源 Qwen‑MM‑Plugins，便于把模型接入现有 agent 生态，适合需要长视频理解与可执行工作的生产化场景。

史记知识库：将《史记》57万字以AI驱动的知识工程重构为可交互的语义网：14,000+实体、3,198条事件、126,000+次标注、130条动态图谱与20,000+篇Wiki页面；采用可复用的“SKILL”管线与Butler Agent持续反思修正，开放源码与CC BY‑NC‑SA数据许可，既是学术级方法论与工具集，也是创作与教学的历史素材引擎。

Jev-cu：一个以「类型安全」为核心的桌面交互决策引擎（俗称「Jev Use」），能从界面文字候选中选取元素、动作并评估完成度与风险，由 Codex 负责读取界面并执行；仅传文字不传截图，本地策略门槛拦截删除/支付/授权等敏感操作，默认 dry-run，支持离线评测与单元测试，提供可安装的 skill、调用脚本与 AX 快照用例，适合希望把“下一步点哪儿”交给可信自动化决策系统的团队。

源码与说明：

Sac-Y/Jev-cu/blob/38fb31de7dfe6209bbe6e04057c00c6e885ba577/scripts/jev-decide.mjs

Sac-Y/Jev-cu/blob/38fb31de7dfe6209bbe6e04057c00c6e885ba577/README.md

【机器人学的范式转移：从喂数据到自动化工程】

加州大学伯克利分校的 Ken Goldberg 教授近期指出，代理机器人学（Agentic Robotics）正在重塑行业路径。

这一方法不再执着于采集海量物理演示数据，也不再依赖工程师手动调参，而是利用多智能体 AI 系统在离线状态下自主编写、测试并迭代机器人控制程序。核心框架 Graph-as-Policy 将复杂的控制逻辑拆解为模块化图结构，配合 GPT-6 Astra 等模型展现出的逆向物理推断能力，AI 仅凭一段视频就能在模拟器中还原摩擦力、质量等物理参数，实现从真实到模拟再回真实的闭环优化。

目前该技术已在 Ambi Robotics 的工业分拣任务中完成部署，生成的轻量化代码可直接运行于 ROS2 系统。这一转变标志着机器人开发正从概率拟合转向结构化工程的自动化。

过去行业长期受困于物理数据稀缺与模拟器失真，而代理机器人学通过将控制问题转化为编程问题，让 AI 代理承担了试错与诊断的繁重工作。这意味着机器人学的瓶颈正在从获取物理演示转向定义任务目标与验证准则。

当 AI 开始自动化机器人工程本身，开发者带走的不再是黑盒模型，而是高可靠、可解释的执行程序，这种确定性正是工业大规模落地的先决条件。

classifier.dev 提供零样本文本分类的即时 HTTP 接口：无需账号与 API key，支持单条与批量（最多1000条）调用、fast 与 smart 两档、置信度与多标签输出、CLI/MCP/Agent skill 无缝接入、智能复审提升准确率且注重隐私不存文本。

适合在不把全文放入上下文时做预筛选、流水线路由与日志分拣。

ratex：用现代 Rust 重写完整 TeX 工链，一体化单二进制构建、内存中嵌入 24k+ 包、BLAKE3 缓存实现毫秒级增量编译，并提供 rustc 风格的精确诊断与拼写建议，显著加速数千篇 arXiv 论文编译兼容传统 LaTeX 模板，开源可跨平台安装，适合科研/期刊投稿者立即替换旧工具链。

【Jev：给软件装上“直觉”，让AI回归if-else】

TypeSafe AI推出的Jev模型并非另一个聊天机器人，而是一个专门为软件内部决策设计的System One（系统1）模型。它不写代码也不聊天，只做一件事：把非结构化的文本输入，瞬间转化为确定性的布尔值、分类选项或评分，并附带经过校准的概率。

它的核心逻辑是将AI从昂贵且缓慢的“生成中心”降级为廉价且极速的“决策插件”，输入成本仅为0.042美元/百万Token，响应时间通常在100毫秒左右。这打破了开发者必须在“脆弱的正则/硬编码”与“沉重的LLM生成”之间二选一的困境。

Jev的底层架构支持并行处理多个独立问题，这意味着你可以在一次调用中完成意图识别、情感分析和风险评估，而成本几乎不增加。

它最亮眼的特性是Confidence（置信度）输出，这让开发者能根据业务风险设定阈值：高置信度直接自动化，中置信度转人工复核，低置信度回退到复杂模型。

在智能路由、实时内容审核或代理工具调用等场景下，Jev能替代90%的生成式调用，不仅大幅压低账单，更让软件找回了久违的确定性。与其说它是AI，不如说它是一个拥有常识、能读懂语义的智能if语句。

高效会话压缩利器：fast-jev-compaction

它把 Typesafe 的 Jev 模型作为 Claude 插件，对所有工具调用逐条打分——不再对历史做模糊摘要，而是保留需保留的调用与结果、删除或截断冗余项；示例可把近 1M tokens 快速压缩到 ~86K，单次运行仅需 ≈1s。

特点：逐条决策、保真保留重要文本、并发请求加速、可配置阈值与保留策略；适合长会话与 agent 场景。

注意事项：可能造成缓存未命中或误删关键调用，建议在生产前做回放/任务成功率基准测试并启用“查看被删除内容”机制。