Jev 不逐 token 生成文本,独立决策可全部并行求值
markjeffrey · x · 2026-09-20
- 一条被广泛转发的推文用简洁框架解释了「LLM vs. Jev」的本质区别：关键不在 Jev 生成更快，而是它根本不做文本生成。
- 传统 LLM 接收上下文后逐 token 自回归地产出答案——哪怕最终输出只是一个小的 JSON 对象，每个 token 都依赖前面已生成的 token。
- Jev 接收同样的上下文，但直接求值预定义的决策；当这些决策彼此独立时，可以全部并行评估。
- 作者举例：一个 agent 处理失败的部署时，需要判断事件是否紧急、该派给哪个团队、拟执行命令是否有风险、任务是否完成——这些判断相互独立，正好适合并行求值，而不用让模型生成一段长推理文本。
所属事件:新模型 Jev 走红：只做决策不对话，快又便宜(33 条相关)→
「编程与Agent」频道最新
- 不写代码：用 Claude 搭出助理、会计等 5 个虚拟员工 — evielync · 2026-11-04
- Replit 运营负责人自建 AI 应用：自动分级客服工单并路由处理流程 — amasad · 2026-11-04
- 自主 Agent 定制 MSA 策略，提升 AlphaFold 3 蛋白复合物预测 — SJTU · 2026-11-04
- NVIDIA 研究：频繁上下文压缩可保长任务准确率，长上下文模型或非必需 — nvidia · 2026-11-04
- 纯 vibe coding：Opus 5.5+Meshy 做出 5 个可切换光照的彩绘玻璃 3D 场景 — Pristine_Good7326 · 2026-11-04
- LLM 写的文档为何总是难读？作者指其追求冲击力而非可读性 — mervenoyann · 2026-11-04