课代表立正 · October 10 · 29 min

对话 331｜半小时，教会你做出比Jev更厉害的替代品，并手机部署

我是孙煜征，大家叫我立正，康奈尔经济学博士、《真本事》作者、Superlinear Academy创始人。在这里，和我一起把AI、工作与人生中的重要问题想明白。了解我、阅读文章与查找往期节目 https://www.lizheng.ai/ 本期内容 Jev 是 TypeSafe 做的决策模型，发布当天 Vercel 的 CEO 说 AI Gateway 上大约 13% 的活跃团队用了它。最出圈的是它能实时玩从没见过的游戏。鸭哥用开源的吃豆人做了三个实验：接上 Jev，10 局平均吃 178 颗豆，每步约 115 毫秒；同样的文字换给没做过决策训练的普通模型，微软 3.8B 的 Phi-4-mini 平均吃 232 颗；再让 27B 大模型离线给游戏状态打标签，蒸馏出一个 0.8B 小模型，按真实时钟平均吃 425 颗，每步 55 毫秒，小到能装进 iPhone 离线跑。代价是它只在这一件事上更强。194 道和吃豆人无关的通用判断题，蒸馏出的 0.8B 只得 0.53，同样大小的决策模型 Tev1 得 0.66。所以结论不是“普通模型一定能替代 Jev”，而是换之前先在自己的任务上测：要零配置、开箱即用的广泛判断力，托管的 Jev 很好；要更低延迟、要离线在设备上跑、或者某个任务比通用能力重要得多，模型在自己手里，这些取舍才由你来定。开头一分钟是立正：之前那期讲过，评价一个技术最重要的是找对标，这一期是鸭哥把 Jev 的对标做了出来。鸭哥用英文讲，画面里有中英字幕。 AI Builders 2027 下一期 10 月 12 日开课，两次直播课，立正和鸭哥各讲一半。课上给的优惠码 beyond-jev 减 $200，下面的链接已经带上： https://maven.com/superlinear/aibuilders?promoCode=beyond-jev 错过报名截止，可以发邮件到 support@maven.com。课件：https://ai-builders.com/resources/jev/ 代码（README 里有课上每个数字对应的命令）：https://github.com/grapeot/decision-pacman 蒸馏出来的 0.8B 模型：https://huggingface.co/grapeot/decision-pacman-0.8b-GGUF 章节： 00:00 立正：为什么要看鸭哥这节课 01:06 开场：Jev 为什么值得一整节课 06:01 实验一：把 Jev 接进吃豆人，看它读到了什么 10:06 实验二：换成普通 LLM 12:31 两个质疑：输出可不可靠，结论能不能推广 14:24 实验三：模型归你以后，先让它更快 16:59 让它更聪明：27B 与 lockstep 18:40 蒸馏一个 0.8B，跑上 iPhone 20:11 代价：通用判断题 21:15 托管还是自己的模型，以及什么会留下来 23:22 课程介绍：AI Builders 2027 问问立正｜把问题想明白听完还有问题，或想把一个观点用到自己的处境里？试试我做的「问问立正」：AI会从我的公开文章、视频和《真本事》中寻找相关内容，整理回答，并附上出处。每天可免费提问3次。 https://ask.lizheng.ai/ Superlinear Academy｜免费AI社区想和一群认真用AI的人一起交流？加入我创办的Superlinear Academy免费社区，看真实项目、找学习资料，带着你的问题参与讨论。 https://www.superlinear.academy/ AI Builders｜系统学懂AI，真正用起来想系统学懂AI、用它做好重要工作，把想法做成作品？了解我和鸭哥一起做的AI Builders课程。 https://ai-builders.com/

0:00-29:27

Play in

transcript

No transcript — this publisher did not publish one.

show notes

我是孙煜征，大家叫我立正，康奈尔经济学博士、《真本事》作者、Superlinear Academy创始人。在这里，和我一起把AI、工作与人生中的重要问题想明白。

了解我、阅读文章与查找往期节目

https://www.lizheng.ai/

本期内容

Jev 是 TypeSafe 做的决策模型，发布当天 Vercel 的 CEO 说 AI Gateway 上大约 13% 的活跃团队用了它。最出圈的是它能实时玩从没见过的游戏。鸭哥用开源的吃豆人做了三个实验：接上 Jev，10 局平均吃 178 颗豆，每步约 115 毫秒；同样的文字换给没做过决策训练的普通模型，微软 3.8B 的 Phi-4-mini 平均吃 232 颗；再让 27B 大模型离线给游戏状态打标签，蒸馏出一个 0.8B 小模型，按真实时钟平均吃 425 颗，每步 55 毫秒，小到能装进 iPhone 离线跑。

代价是它只在这一件事上更强。194 道和吃豆人无关的通用判断题，蒸馏出的 0.8B 只得 0.53，同样大小的决策模型 Tev1 得 0.66。所以结论不是“普通模型一定能替代 Jev”，而是换之前先在自己的任务上测：要零配置、开箱即用的广泛判断力，托管的 Jev 很好；要更低延迟、要离线在设备上跑、或者某个任务比通用能力重要得多，模型在自己手里，这些取舍才由你来定。

开头一分钟是立正：之前那期讲过，评价一个技术最重要的是找对标，这一期是鸭哥把 Jev 的对标做了出来。鸭哥用英文讲，画面里有中英字幕。

AI Builders 2027 下一期 10 月 12 日开课，两次直播课，立正和鸭哥各讲一半。课上给的优惠码 beyond-jev 减 $200，下面的链接已经带上：

https://maven.com/superlinear/aibuilders?promoCode=beyond-jev

错过报名截止，可以发邮件到 support@maven.com。

课件：https://ai-builders.com/resources/jev/

代码（README 里有课上每个数字对应的命令）：https://github.com/grapeot/decision-pacman

蒸馏出来的 0.8B 模型：https://huggingface.co/grapeot/decision-pacman-0.8b-GGUF

章节：

00:00 立正：为什么要看鸭哥这节课

01:06 开场：Jev 为什么值得一整节课

06:01 实验一：把 Jev 接进吃豆人，看它读到了什么

10:06 实验二：换成普通 LLM