devwithjevJEV工单整理与判断Demo
Wei佳制作了一个用 JEV 整理和判断历史工单的 Demo，并与 GPT 5.6 Luna 进行了对比。他称两者在时间上的消耗差不多接近 60 倍。
View on X time在时间上差不多接近 60 倍的消耗
Wei佳@LiuweijiaVip𝕏
最近 JEV 很火，我这边做了一些实测，做出了一个符合它模型能力的正确使用场景。 很多人不理解它为什么火，这里我来做一个解释：它就像是 GPU 渲染（就像你打游戏一样），而普通大模型就像 CPU，是一点一点输出的，玩过 Stable Diffusion 的人都应该明白这个概念。 回到正题，我写了一个 Demo，实际拿以前的工单让它去做判断。JEV 的输出非常快，可以迅速对这些工单进行整理与判断；而普通大模型需要一条一条输出并判断，响应速度会慢很多,这里我使用的是 GPT 5.6 Luna 和它做对比，在时间上差不多接近 60 倍的消耗 目前不适用的场景我也举个例子，比如Codex Computer Use 。因为你每一步思考都需要 OCR 去决定、去判断，然后再交给 GPT 这种大模型，JEV只是做单一的决策或者门禁判断，所以这种场景下它并没有优势，即使有提升也是很微弱的。它更适合的场景在
他认为 JEV 适合单一决策或门禁判断。对于需要每一步都通过 OCR 决策的 Codex Computer Use 场景，他认为 JEV 优势有限。
Also filed under Triage & routing
- Jev-Assisted Codex Model and Effort Routing
The project provides Jev-assisted model and reasoning-effort routing for local Codex Desktop and CLI.
- Plain-English Gmail Filter Judge
The project uses Jev (TypeSafe) to judge Gmail filters written in plain English.
- Framework-Agnostic Jev Intent and Tool Router
Huzeyfe_dev built a lightweight, framework-agnostic intent and tool router using TypeSafe’s Jev decision model to speed up agent loops.
- MCP Tool Router with Jev and MCTS
Harness-router is a lightweight tool router that uses Jev for fast tool selection and Monte Carlo Tree Search for harder multi-step decisions. It uses MCP as the tool interface and falls back when routing is uncertain.