开源小模型吃豆人实测胜过Jev 蒸馏0.8B入端侧时延降半

半小时,教会你做出比Jev更厉害的替代品,并手机部署 — 课代表立正

课代表立正

专用决策模型并非不可替代,开发者通过离线蒸馏可在垂直场景与端侧时延上反超商业模型,但专精特化的代价是牺牲通用常识判断力。

AI-assisted summary of 半小时,教会你做出比Jev更厉害的替代品,并手机部署 — original source. Check the original for full context.

Source published:

Key ideas

  • 专有决策模型并非不可替代:在实时吃豆人基准测试中,微软 3.8B 参数的未微调模型 Phi-4-mini 平均吃豆 232 颗,全面超越 TypeSafe 专有模型 Jev 的 178 颗基线成绩。 (10:40)
  • 通过引入 Lockstep 锁步机制与 27B 大模型离线高质量标注,团队蒸馏出的 0.8B 超轻量模型在实时游戏中平均吃豆 425 颗,决策延迟压缩至 55 毫秒,并成功在 iPhone 16 Pro Max 上实现离线端侧部署。 (18:40)
  • 特化极速模型的代价是通用能力的断崖下跌:0.8B 蒸馏模型在 194 道非游戏通用判断题中得分仅为 0.53,显著落后于 Jev 的 0.89 与 Tev1 (0.8B) 的 0.66,技术选型需在开箱即用通识与垂直极致性能之间做取舍。 (20:34)
  • 开源社区在 72 小时内复现了 Jev 的核心能力,并通过前缀缓存、批量多查询以及收窄至单 Token 概率预测等推理工程技巧,将 700 多次决策的基准耗时从 333 秒极限压缩至 1.02 秒。 (14:24)

Detailed notes

## Background 本内容由 YouTube 频道「课代表立正」于 2026 年 10 月 10 日发布。视频围绕 TypeSafe 推出的爆火决策模型 Jev 展开,由立正开场、鸭哥(Yan)主讲,深入拆解了 Jev 凭借实时玩吃豆人走红背后的技术本质,并展示了如何用开源普通模型与离线蒸馏手段做出更强、更快且能跑在 iPhone 上的替代方案。

## TL;DR 主讲人鸭哥通过吃豆人实时游戏对 Jev 展开了三组对照实验:首先解析了 Jev 将游戏状态转为 380 Token 文本输入的运作机制(10 局平均吃 178 颗豆、单步约 115 毫秒);随后证明未做决策微调的微软 Phi-4-mini(3.8B)在同等文本下能以 232 颗豆大幅超越 Jev;最后利用 27B 大模型在 Lockstep 机制下离线打标签,成功蒸馏出一个 0.8B 的端侧模型,不仅在真实时钟下平均吃豆 425 颗、延迟压缩至 55 毫秒且可离线部署至 iPhone,但也揭示了其在 194 道通用判断题上能力暴跌至 0.53 的特化代价。结论指出技术选型处处是取舍,开发者应根据延迟、离线与通用需求在托管与自建间理性决策,并介绍了聚焦工程判断力的 AI Builders 2027 课程体系。

## Atmosphere & style 整场讲座兼具黑客拆解的硬核快感与资深工程师的冷静克制。立正简短犀利的开场迅速立下找对标的攻防基调,随后鸭哥操着流畅英文配合严谨图表展开步步为营的实测,语调沉稳却极富穿透力。从剥开 3500 万播放量游戏演示的神化包装,到展示 iPhone 离线运行的惊艳时刻,再到直面特化模型通用能力崩塌的账单,整体叙事充满理性思辨,让听众切实感受到刺破技术营销泡沫、回归工程第一性原理的清醒与务实。

## Bulletin - [10:40](https://www.youtube.com/watch?v=sD2qk6osdAw&t=640s) 专有决策模型并非不可替代:在实时吃豆人基准测试中,微软 3.8B 参数的未微调模型 Phi-4-mini 平均吃豆 232 颗,全面超越 TypeSafe 专有模型 Jev 的 178 颗基线成绩。 - [18:40](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1120s) 通过引入 Lockstep 锁步机制与 27B 大模型离线高质量标注,团队蒸馏出的 0.8B 超轻量模型在实时游戏中平均吃豆 425 颗,决策延迟压缩至 55 毫秒,并成功在 iPhone 16 Pro Max 上实现离线端侧部署。 - [20:34](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1234s) 特化极速模型的代价是通用能力的断崖下跌:0.8B 蒸馏模型在 194 道非游戏通用判断题中得分仅为 0.53,显著落后于 Jev 的 0.89 与 Tev1 (0.8B) 的 0.66,技术选型需在开箱即用通识与垂直极致性能之间做取舍。 - [14:24](https://www.youtube.com/watch?v=sD2qk6osdAw&t=864s) 开源社区在 72 小时内复现了 Jev 的核心能力,并通过前缀缓存、批量多查询以及收窄至单 Token 概率预测等推理工程技巧,将 700 多次决策的基准耗时从 333 秒极限压缩至 1.02 秒。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=sD2qk6osdAw&t=0s) 评判一项新技术的首要原则是建立最优替代方案(Best Alternative),只有通过精确测量与对标才能打破营销光环。 - [01:06](https://www.youtube.com/watch?v=sD2qk6osdAw&t=66s) Jev 发布首日获得 Vercel AI Gateway 上约 13% 活跃团队接入,其走红核心在于用低延迟文本 API 实时操控吃豆人的演示打破了 LLM 慢且啰嗦的公众认知。 - [06:01](https://www.youtube.com/watch?v=sD2qk6osdAw&t=361s) Jev 本质上并重视视觉多模态能力,而是依赖适配层将游戏画布转换为约 380 Tokens 的离散事实描述与选项概率输出。 - [06:01](https://www.youtube.com/watch?v=sD2qk6osdAw&t=361s) 在严格的 30 FPS 无等待实时时钟下,Jev 跨公网平均单步延迟为 115 毫秒,10 局平均吃豆 178 颗,构成了基准线。 - [10:40](https://www.youtube.com/watch?v=sD2qk6osdAw&t=640s) 未经决策微调的通用开源模型在吃豆人任务上展现出强大常识:Gemma 4 E4B (230 颗) 与 Phi-4-mini (232 颗) 均显著优于 Jev。 - [12:31](https://www.youtube.com/watch?v=sD2qk6osdAw&t=751s) 配对随机种子测试显示 Phi-4-mini 每局净胜 Jev 54 颗豆;且在近 6000 次调用中依靠 JSON 约束做到了零格式错误,粉碎了普通 LLM 输出不可靠的质疑。 - [12:31](https://www.youtube.com/watch?v=sD2qk6osdAw&t=751s) 泛化评测揭示普通模型与专有模型的边界:冻结底座的 Qwen3.5 在 102 项基础任务上可达 84.5%(逼近 Jev 的 88.3%),但在 220 道高难边界集 JevBench 上差距扩大至 59.5% 对 74.1%。 - [14:24](https://www.youtube.com/watch?v=sD2qk6osdAw&t=864s) 掌握模型自主权允许利用推理优化抹平延迟:前缀缓存让耗时从 333 秒降至 72 秒,Batch 提问降至 38.8 秒,单字母 logits 读取直接压缩至 1.02 秒。 - [16:59](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1019s) Lockstep 挂起时钟模式消除了实时性约束,让 Qwen3.8-27B 在开启思考后创下平均吃豆 531 颗的纪录,为离线知识蒸馏提供了极佳的教师标注数据。 - [18:40](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1120s) 蒸馏出来的 0.8B 模型在实时时钟下达到 425 颗豆并实现 55 毫秒单步决策,比 Jev 快一倍且表现高出 2.3 倍,且能纯本地部署于 iPhone 运行。 - [20:34](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1234s) 极端特化必然牺牲通用性:0.8B 吃豆人模型在 194 道通用判断题中仅得 0.53,印证了速度、智能与广度之间不可兼得的工程工程取舍。 - [21:30](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1290s) 托管模型与自建模型的选型取决于硬性边界:业务需要开箱即用通识选托管 Jev;需要极致延迟、端侧离线或专一任务选自有蒸馏模型。 - [23:22](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1402s) 面对技术热潮应穿透营销包装,关注长期不变的工程本质,通过在真实业务场景中构建严密评测流水线来培养技术判断力。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=sD2qk6osdAw&t=0s) 评价技术的关键:找对标(Best Alternative)

立正做开场引入。他指出,评判任何一项新技术的核心原则,就是一定要找到它的“对标物”——也就是所谓的最优替代方案(best alternative)。在此前的视频中,立正已经深入分析并评价了由 TypeSafe 推出的决策模型 Jev,当时他得出的结论是:Jev “不值得跟”。为了向大家严谨地证实这一点,鸭哥(Yan)仅用了两小时,就用一个开源本地模型完全平替了 Jev 的能力与性能,甚至在 Jev 最引以为傲的核心展示案例——实时玩吃豆人(Pac-Man)游戏中,取得了显著更好的成绩;随后鸭哥又用了一小时,将大模型蒸馏为一个极小的轻量模型,足以直接装入手机端离线运行。立正表示,这背后的完整技术剖析已整理为本节微课,并在 10 月 12 日的 AI Builders 直播课中提供更加系统详尽的拆解(支持邮件至 support@maven.com 咨询报名)。

---

[01:06](https://www.youtube.com/watch?v=sD2qk6osdAw&t=66s) Jev 的现象级爆火:13% 接入量与 3500 万浏览量

接棒主讲的鸭哥(Yan)是 Superlinear Academy 的联合创始人,曾在 CVPR、NeurIPS、KDD 等顶会发表论文,先后担任过 Microsoft Bing 图像搜索与 Pinterest 搜索的核心技术贡献者,并奠定了 Samsara AI 平台的技术基石。他强调工程研究必须坚持“先测量,再决策”,因为“测量不了的东西,你就没法改进”。

每周都有各种大语言模型发布,Jev 凭什么值得一整节课深入拆解?鸭哥指出关键在于一个震撼业界的数字:“13%”。在 Jev 发布当天,Vercel CEO 宣布其 AI Gateway 上约 13% 的活跃团队开启了 Jev,证明了极高的大盘采用率。TypeSafe 将 Jev 定位为现代软件产品的“System 1”(快思考模块),专门用于又快又便宜的确定性多选决策(如工单分发路由、规则审查等)。从工程指标来看,Jev 的确是个扎实的产品:

- **极低延迟**:通过公网 API 往返决策,耗时仅约 100 毫秒左右。 - **极致廉价**:玩完一整局吃豆人游戏,消耗的 Token 成本不到 1 美分。 - **开箱即用**:纯托管 API 形式交付,开发者侧完全零部署负担。

然而,单纯的工单路由绝不可能让一个技术走红全网。真正让 Jev 彻底爆火的,是它在社交平台 X 上突破 3500 万次播放的游戏试玩 Demo。在大众常规认知中,语言模型是“又慢又啰嗦”的聊天机器人,你问一句话它敲出一整段长文;但动作游戏绝不等人,一旦延误一帧,反应窗口便转瞬即逝。Jev 依靠文本实时操控角色玩从没见过的游戏,打破了大众直觉,也为背后的技术蒙上了一层近乎神化的光环。为了刺破这层光环,鸭哥团队用自己开源并能精细读取内部状态、控制时钟的吃豆人游戏展开了三大对比实验: 1. **接上它(Hook it up)**:接入 Jev 观察模型到底接收了什么信息。 2. **替换它(Replace it)**:直接换用完全没做过决策训练的普通开源 LLM。 3. **打败它(Beat it)**:自主训练蒸馏专属小模型,在更高胜率下跑进端侧。

```mermaid flowchart LR accTitle: Jev Pac-Man Evaluation Roadmap accDescr: Three-stage experimental progression to evaluate, replace, and beat the Jev decision model.

subgraph Stage1["实验一:接上它"] A["接入 Jev API<br/>解析底层文本数据"] end

subgraph Stage2["实验二:替换它"] B["换上普通未微调 LLM<br/>验证决策专精神话"] end

subgraph Stage3["实验三:打败它"] C["蒸馏出 0.8B 端侧小模型<br/>在速度与战绩上超越 Jev"] end

Stage1 --> Stage2 --> Stage3 ```

---

[06:01](https://www.youtube.com/watch?v=sD2qk6osdAw&t=361s) 实验一:把 Jev 接进吃豆人,拆解黑盒输入

鸭哥详细拆解了将纯文本语言模型接入实时动作游戏的系统架构。Jev 没有任何多模态视觉能力,从来看不到实际屏幕画面,它的输入仅仅是数据化的结构文本与选项列表。游戏在运行过程中每到一个路口就会高频向模型发问:“下个路口往哪走?”。

为此系统必须构建一个**适配层(Adaptation layer)**,将游戏画布状态转换为文本提示词。在适配层中,系统会枚举吃豆人当前可选择的每个移动方向,并输出精细的事实数据:该方向是否有幽灵巡视、距离几格、沿途有多少豆子、离最近的大力豆(Power Pellet)有多远等。整段场景描述由 Claude Code 辅助编写,长度约 380 个 Token,任何接入 Jev 的开发者都必须写一套类似的逻辑。

真实测试环境严格贴合实际工况: - **无等待的实时时钟**:游戏以恒定 30 FPS 刷新运行,绝不暂停等待推理;若模型返回太慢导致吃豆人已冲过交叉路口,该决策会被直接抛弃。 - **基准测试设定**:使用固定随机种子连续测试 10 局,单局上限 5 分钟,最终统计吃掉的豆子总数。

在实际网络日志中,Jev 接收到的上下文字段被扩充到了约 600 个 Token(推测 Jev 服务端附加了约 220 个固定指令 Token)。Jev 在返回选择方向时还会附带各选项的置信度概率分布,但在很多路口它其实并不自信(例如向上方向可能仅拿到约 50% 概率,同备选方向拉不开差距)。它的基本策略是先直奔大力豆,等幽灵变蓝变弱后转头追击幽灵。

在这套严苛的实时时钟测试下,单关总计 244 颗豆子的地图中,Jev 跨公网平均单步延迟约为 115 毫秒,10 局平均吃豆数量为 **178 颗**。这构成了后续所有替代方案必须跨越的基线标杆。

```mermaid flowchart TD accTitle: Real-time Pac-Man Game Engine with Decision Model accDescr: Architecture of the adaptation layer turning visual game state into 380 tokens sent to the LLM at 30 FPS.

subgraph GameEngine["实时游戏引擎 (30 FPS)"] GS["游戏内部状态<br/>(生命/剩余豆子/距离)"] Clock["实时时钟<br/>(超期直接丢弃决策)"] end

subgraph Adapter["适配层 (Adaptation Layer)"] PromptGen["生成方向事实描述<br/>(~380 Tokens)"] end

subgraph ModelSide["决策模型端 (Jev / 替代模型)"] Inference["多选推理 + 概率输出<br/>(~600 Tokens 上下文)"] end

GS --> PromptGen PromptGen -->|"公网往返约 115ms"| Inference Inference -->|"执行转向指令"| Clock Clock --> GS ```

- **单局理论上限**:吃豆人单关总豆子数为 244 颗。 - **Jev 基线性能**:10 局平均吃豆 **178 颗**,平均网络往返耗时 **115 毫秒**。 - **Token 构成**:环境状态描述约 380 Tokens,模型实际开销约 600 Tokens(含 Jev 内部固化指令)。

---

[10:06](https://www.youtube.com/watch?v=sD2qk6osdAw&t=606s) 实验二:换成普通 LLM 测试通用决策力

既然 Jev 能靠这套纯文本接口玩游戏,核心的悬念就在于:这种敏捷控制能力到底是 Jev 决策微调独有的独门秘籍,还是普通 LLM 原生就具备的通用常识?

为了找到答案,鸭哥团队保持输入端 380 个 Token 的结构化文本完全不变,将游戏引擎接到了 5 个不同的模型上进行横向盲测。在这组对比中,有 2 个是专门宣称面向低延迟决策任务的专用决策模型。作为参照,Together AI 发布的 4B 参数决策模型 Tev1,在相同规则与完全一致的文本输入下,跑出了吃豆 **148 颗** 的成绩。虽然略低于 Jev 的 178 颗,但两者在宏观表现上处于相近的水平线,直接证明了决策模型之间并非不可跨越。接下来的关键悬念,则是没有任何决策微调的通用普通开源大模型,在这套流水线上的真实表现。

[10:40](https://www.youtube.com/watch?v=sD2qk6osdAw&t=640s) 实验二:未微调的普通大模型也能超越 Jev

鸭哥通过横向测评揭示了一个反直觉的现象:在吃豆人游戏这类实时决策任务上,所谓专用的决策模型并不具备不可替代的独占优势。测试中选取的另外三个完全没有经过决策微调的通用开源小模型,表现令人意外。阿里开源的 Qwen3.5 4B 平均吃下 197 颗豆,Google 的 Gemma 4 E4B 达到了 230 颗,而微软的 Phi-4-mini(3.8B 参数)更是吃到了 232 颗豆。这些普通模型不仅全面打平甚至超越了专用决策模型,成绩最好的 Phi-4-mini 更是把 Jev 甩在了身后。

```mermaid flowchart LR accTitle: 普通开源模型与 Jev 吃豆人得分对比 accDescr: 对比 Phi-4-mini、Gemma 4 E4B、Qwen3.5 4B 与 Jev 的吃豆表现

subgraph GEN["普通通用开源模型 (未做决策训练)"] P4["Phi-4-mini (3.8B)<br/>232 颗"] G4["Gemma 4 E4B<br/>230 颗"] Q35["Qwen3.5 4B<br/>197 颗"] end

subgraph SPEC["专用决策模型"] JEV["Jev<br/>178 颗"] end

P4 -.->|"高出 54 颗"| JEV ```

为了严格验证,鸭哥让 Phi-4-mini 与 Jev 进行正面对决。Phi-4-mini 仅通过加装类似 OpenAI JSON mode 的输出格式约束,就能确保返回规范合法的 JSON 格式,完全省去了专用模型的复杂调优。为了彻底排除随机地图生成的干扰,实验采用了“逐种子配对”(seed-by-seed pairing),让两个模型在完全一致的迷宫布局中竞技。结果显示,Phi-4-mini 平均每局比 Jev 多吃 54 颗豆(标准误为 24)。

不过在单步延迟上,Jev 仍然具备优势:Jev 每次决策仅需 115 毫秒,而 Phi-4-mini 在测试用的 M3 芯片 Mac 上需要 187 毫秒。鸭哥强调这里有一个重要的硬件前提——如果把测试环境转移到 NVIDIA 显卡(例如 RTX 5090)上,这类 4B 参数级别的小模型读取相同状态的速度能够提升约 7 倍,实际运行节奏完全可以反超 Jev。

- **模型战绩对比(平均吃豆数)**:Phi-4-mini (232 颗) > Gemma 4 E4B (230 颗) > Qwen3.5 4B (197 颗) > Jev (178 颗)。 - **硬件延迟差异**:Mac M3 环境下 Jev 为 115 ms/步,Phi-4-mini 为 187 ms/步;但在 RTX 5090 等 NVIDIA 显卡上,4B 模型的前向推理吞吐约快 7 倍。 - **正面对决净胜值**:在同种子迷宫中,Phi-4-mini 净胜 Jev 54 颗豆(SE = 24)。

---

[12:31](https://www.youtube.com/watch?v=sD2qk6osdAw&t=751s) 两个质疑:输出可靠性与泛化边界

在考虑完全弃用 Jev 这类专用商业决策模型之前,鸭哥提出了两个必须严肃正视的质疑:第一是通用模型的输出可靠性,第二是结论能否从吃豆人单一任务推广到更广泛的通用场景。针对第一个疑虑——“未做专门对齐的普通 LLM 能否在成千上万次连续高频调用中保持输出干净”,实验数据给出了极为明确的回答:在接近 6000 次实际交互决策中,三个普通 LLM 依靠 JSON 约束实现了“零格式错误”(zero invalid outputs)。事实证明,格式解析的稳定性根本不是选型专用决策模型的硬性门槛。

针对第二个关于泛化能力的质疑,鸭哥引用了社区外部独立测试项目 SemIf(该项目曾命名为 OpenJev)的数据。SemIf 团队使用未经后训练、完全冻结权重的普通 Qwen3.5 4B 配合 JSON mode,复现了 Jev 官方公布的 102 个判断任务。测试表明,普通 Qwen3.5 拿到了 84.5% 的准确率,非常接近 Jev 的 88.3%。然而,在包含 220 道高难度边界用例的评测集 JevBench 上,普通模型的劣势便暴露无遗:Jev 维持了 74.1% 的水平,而未调优的 SemIf 仅得 59.5%。这表明普通模型在特定垂直任务或日常任务上性价比极高,但在复杂极端场景下仍与全职训练的商业决策模型存在代差。

```mermaid flowchart TD accTitle: 普通 LLM 对标 Jev 的泛化表现差异 accDescr: 展示标准基准与高难基准下普通模型与 Jev 的差距变化

subgraph TASK1["Jev 官方 102 项基础判断任务"] T1_J["Jev: 88.3%"] T1_Q["Qwen3.5 4B (SemIf): 84.5%"] T1_Q -.->|"几乎打平 (无后训练)"| T1_J end

subgraph TASK2["JevBench 220 道困难测试集"] T2_J["Jev: 74.1%"] T2_Q["Qwen3.5 4B (SemIf): 59.5%"] T2_Q -.->|"差距明显拉开 (14.6% 劣势)"| T2_J end ```

- **输出鲁棒性验证**:近 6000 次决策调用中,加装约束的普通开源 LLM 无效输出率为 0。 - **基准测试数据对比**: - **102 项基础判断任务**:Jev 88.3% vs. 冻结底座的 Qwen3.5 84.5%。 - **JevBench (220 题困难集)**:Jev 74.1% vs. 冻结底座的 Qwen3.5 59.5%。 - **核心选型建议**:“换之前先在你自己的任务上测一测”,不要盲目迷信专用模型,也不要盲目低估通用底座的潜力。

---

[14:24](https://www.youtube.com/watch?v=sD2qk6osdAw&t=864s) 实验三:模型自主权带来的推理加速技巧

鸭哥强调,将模型部署在自己手中最大的价值在于拥有绝对的控制权和优化空间,这是封闭的黑盒托管 API 无法比拟的。开源社区在 Jev 发布后仅 72 小时内就推出了至少 4 个复现版本,并通过标准的推理工程技巧大幅抹平了与官方服务之间的延迟差距。以 SemIf 项目针对 700 多次连续决策的实测基准为例,如果不做任何优化,每次提问都从头重新全量计算(recomputing from scratch),总共耗时高达 333 秒。

为了极限压榨性能,社区探索并验证了三项递进式的推理加速手段:

1. **前缀缓存(Prefix Cache)**:现实场景中,针对同一实体或情境的连续查询往往包含冗长而重复的上下文背景。通过将共享的提示词前缀只计算一次 KV Cache 并加以复用,评测基准耗时瞬间从 333 秒暴跌至 72 秒。 2. **多查询批量推理(Batching Multi-Query)**:以客服工单分派为例,系统往往需要判定工单是否紧急、归属哪个小组、是否需要人工介入。与其串行分批发问,不如将这几个子问题合并在单个 Batch 中一次性并行喂给模型,处理时间进一步压缩至 38.8 秒,相比最初的基线获得了接近一个数量级的速度跃迁。 3. **收窄输出至单 Token 概率(Logit-level Classification)**:自回归模型最耗费算力的步骤就是逐个 token 地流式生成长文本。如果为每个分类选项映射一个单一字母(如 A/B/C/D),只要求模型输出单个字符,甚至直接通过读取模型 logits 中对应字母 token 的概率偏好来判定结果,耗时直接降至 1.02 秒——而原本生成完整 JSON 结构体需要整整 5.33 秒。尽管这种做法将模型的输出空间强行收窄到了有限离散选择中,但在响应时延上已经完全逼近甚至超越了专有服务。

```mermaid flowchart TD accTitle: 推理性能优化进阶路线 accDescr: 展示从无优化到单字母选择的延迟缩减过程

S0["全量重复计算: 333 秒"] -->|"共享上下文缓存"| S1["前缀缓存: 72 秒"] S1 -->|"合并多个问题并行提问"| S2["Batch 批量处理: 38.8 秒"] S2 -->|"免长文本输出, 仅读选项概率"| S3["单字母分类选择: 1.02 秒<br/>(对比写 JSON 的 5.33 秒)"] ```

- **Jev 发布 72 小时内**:开源生态即涌现出 4 个可用复现实现。 - **SemIf 700+ 次决策基准性能阶梯**: - 暴力重算(从零计算):333 秒 - 引入前缀缓存:72 秒 - 引入多任务 Batch 提问:38.8 秒 - 限制为单字母选择(对比写 JSON 耗时 5.33 秒):1.02 秒

---

[16:59](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1019s) 大模型思考与 Lockstep 机制

在攻克速度瓶颈后,鸭哥转向提升模型的决策上限。虽然模型体积越大往往性能越好——例如 0.8B 的 Tev1 只能吃 69 颗豆,4B 升至 148 颗,Jev 达到 178 颗——但当使用 27B 参数的 Qwen3.8 等巨型模型时,推理时延会导致其完全跟不上实时游戏时钟。为了打破这种物理限制,鸭哥引入了关键的“锁步模式”(Lockstep):让吃豆人游戏在每个关键路口主动暂停,挂起时钟耐心等待模型完成深度推理后再继续游戏。Lockstep 模式提供了一个完全确定、可稳定复现的沙盒环境,不仅能用于探索模型策略的极限天花板,还是离线高质量数据收集的核心基石。

```mermaid flowchart LR accTitle: Lockstep 机制下的离线决策流水线 accDescr: 展示吃豆人路口暂停等待模型推理并收集训练数据的流程

MAP["吃豆人进入迷宫路口"] --> PAUSE["游戏挂起时钟 (Lockstep)"] PAUSE --> INF["Qwen3.8-27B 深度思考推理"] INF --> DEC["输出高质量方向动作"] DEC --> RESUME["游戏继续行走并记录标注数据"] ```

在脱离时间约束的 Lockstep 模式下,大模型的潜能被彻底激发。不开启链式思考时,27B 模型平均吃下 301 颗豆;由于吃豆人单个常规迷宫全图仅有 244 颗豆,得分超过 244 意味着模型不仅能够通关当前关卡,还能直接跨进全新重置的下一张地图。一旦允许 27B 模型开启思考(Thinking),其平均吃豆数更是激增至惊人的 531 颗,直接横扫了两整张地图的豆子。然而代价极其残酷:即使在顶级的 NVIDIA 硬件加速下,开启思考的 27B 模型单步决策耗时仍高达约 2.4 秒。如果放回残酷的实时游戏场景,吃豆人早就因为卡顿而在原地被幽灵吞噬。

- **模型规模与得分正相关(实时模式)**:Tev1 0.8B (69 颗) < Tev1 4B (148 颗) < Jev (178 颗)。 - **Qwen3.8-27B 锁步评测数据**: - **不开启思考**:301 颗豆(突破单图 244 颗上限,完成清屏通关进入第二关)。 - **开启思考**:531 颗豆(清空两张以上完整迷宫)。 - **延迟代价**:开启思考下单步耗时高达 2.4 秒(即便在 NVIDIA 显卡上)。

---

[18:40](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1120s) 知识蒸馏:打造可在 iPhone 上飞驰的 0.8B 决策模型

为了打破“大模型聪明但太慢、小模型极速但智力欠缺”的两难困境,鸭哥采用了模型蒸馏(Knowledge Distillation)方案。借助 Lockstep 机制,鸭哥让 27B 旗舰模型在离线状态下花费充裕的算力,为海量的吃豆人博弈局面自动打上“教师级别”的最优决策标签。随后,利用这些合成的高质量轨迹数据训练一个仅有 0.8B 参数的微型“学生模型”,强迫其学会大模型的决策逻辑。在实际推断时,该学生模型无需思考过程,只读取标准一致的 380 个上下文 token。

更具实用启发的是,这一蒸馏与微调流水线已经完全民主化。鸭哥调侃称,如今根本不再需要拥有机器学习博士学位或高深训练秘籍,开发者只需呼叫像 Claude Code 这样的前沿 Coding Agent,直接下达自然语言指令让其完成训练脚本编写与蒸馏执行即可。

```mermaid flowchart TD accTitle: 从 27B 离线蒸馏到 0.8B 端侧部署流程 accDescr: 展现从 27B 离线标注到蒸馏出 0.8B 模型并在 iPhone 部署的流程

subgraph OFFLINE["离线教师阶段 (Lockstep 环境)"] BIG["Qwen3.8-27B 大模型 (离线思考)"] DATA[("生成高质量海量游戏状态标注")] BIG --> DATA end

subgraph DISTILL["自动化蒸馏 (Claude Code 辅助)"] TRAIN["监督微调 / 模仿学习"] STU["0.8B 极小参数学生模型"] DATA --> TRAIN TRAIN --> STU end

subgraph DEPLOY["端侧与边缘部署"] PC["实时环境: 425 颗豆 / 55ms 延迟"] IPHONE["iPhone 16 Pro Max 离线 App (约 0.5s/步)"] STU --> PC STU --> IPHONE end ```

这个专门蒸馏出来的 0.8B 模型在实时时钟下的实测结果极其惊艳:在 3 轮完整实机测试中,它平均吃掉了 425 颗豆,决策延迟仅有 55 毫秒——不仅速度达到了 Jev 的两倍,吃豆战绩更是 Jev(178 颗)的 2.3 倍以上。更震撼的是,其极小的体积使其彻底脱离了云端数据中心的束缚。鸭哥展示了由 Claude Code 编写的 iOS 原生 App,该 0.8B 模型直接装载在 iPhone 16 Pro Max 上实现纯本地离线推断,单步决策仅需约 0.5 秒。

- **0.8B 蒸馏学生模型表现**:实时时钟下平均吃豆 425 颗,单步延迟压缩至 55 毫秒(大幅超越 Jev 的 178 颗与 115 毫秒)。 - **工程门槛颠覆**:无需算法博士背景,借助 Claude Code 等自动化代码智能体即可完成蒸馏脚本编排与 iOS 应用程序封装。 - **端侧部署验证**:在 iPhone 16 Pro Max 上实现纯本地离线部署运行,平均推理耗时约半秒。

---

[20:11](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1211s) 极速与专注的代价:通用判断能力的断崖跌落

在展示完端侧模型又快、又小、吃豆成绩惊艳的表现后,鸭哥发问:“这看起来像是免费的午餐,对吧?那么账单在哪里?”世上没有免费的算力红利,这一特化模型的惨痛账单体现在通用泛化能力的断崖式崩塌上。为了评估其综合智力损伤,鸭哥为该 0.8B 学生模型设计了 194 道完全不包含吃豆人元素的通用判断测试题,内容全面覆盖日常业务系统中最核心的判断诉求,包括用户意图识别、工单路由派发、合规规则校验、异常严重度评级以及信息抽取等通用场景。

结果毫无悬念,经过吃豆人专项轨迹过拟合式蒸馏的小模型在面对外部通用问题时表现极为迟钝贫瘠。鸭哥借此指出了专用模型与通用模型的本质分野:当你追求极致的小型化、极致的推理低延迟、以及特定封闭任务上的超越级表现时,牺牲通用广泛的零样本常识理解就是不可避免的代价。

- **通用基准评测集设计**:194 道涵盖意图分类、工单分配、合规策略审查、严重级别判定、关键信息抽取等场景的通用问答题,题目中不含任何游戏或吃豆人背景。 - **模型演进的核心权衡**:高度特化的极致性能(如 55 ms / 425 颗豆)必然以破坏广泛零样本任务判断力为代价;选型的关键永远取决于你的业务究竟需要“开箱即用的通识基底”,还是“垂直专精的极致效率”。

[20:34](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1234s) 蒸馏特化模型的代价:通用判断能力的取舍

蒸馏出的 0.8B 吃豆人模型虽然在游戏里表现优异,但并非没有代价。在 194 道完全与吃豆人无关的通用判断基准测试题上,各个模型的分数展现出鲜明的对比:官方公布的 Jev 综合得分为 0.89;同为 0.8B 规模的决策模型 Tev1 得分为 0.66;而鸭哥团队蒸馏出的 0.8B 专用模型仅有 0.53。

鸭哥指出这里需要明确一个前提(caveat):学生模型并没有基于预先进行过通用决策训练的 Tev1 进行微调,而是直接从普通的 Qwen2.5 0.8B(语音误作 Qwen3.5)基座模型起步。因此,这一分差一部分是因为基座从未接受过专门的决策训练,另一部分则是因为它被彻底塑造成了只擅长吃豆人这一件事的特化模型。退一步看,这就是整个实验贯穿的核心工程规律——处处皆是取舍(trade-offs):"速度的代价是输出变窄,智能的代价是等待时间,小而专的模型让我们付出了广度。"

- **Jev 官方公布判断题得分**:0.89 - **Tev1 (0.8B) 通用决策得分**:0.66 - **蒸馏特化模型 (0.8B) 得分**:0.53(起步于普通 0.8B 基座,牺牲了通用能力换取专项效率)

---

[21:30](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1290s) 托管服务还是自有模型?剥开技术炒作的光环

针对“究竟该用云端托管模型还是自建模型”这一问题,鸭哥给出的判断法则是:从产品“绝对不能妥协的那一行”倒推需求。如果业务追求的是开箱即用、零配置的广泛判断力,走公网延迟约 100 毫秒、成本每局不到 1 美分的托管 Jev 完全是极佳的选择,切忌盲目为了省小钱而折腾自建。但当产品遇到了不可妥协的硬性瓶颈——例如在 Mac 终端上必须达到 0.8B 的 55 毫秒极限延迟、必须在 iPhone 等边缘设备上离线运行、或者核心任务的重要性压倒一切通用场景时,拥有并掌管自己的模型才是唯一的破局之路。

```mermaid flowchart TD accTitle: Decision Flow between Hosted and Self-Owned Models accDescr: A decision flowchart showing whether to choose hosted models like Jev or train custom lightweight models.

subgraph Evaluation["核心评估维度"] A["评估业务刚性需求"] --> B{"是否有硬性限制?"} end

subgraph Options["方案分流"] B -->|"通用判断 / 零配置 / 接受 ~100ms"| C["选择托管模型 (如 Jev)<br/>成本低廉、即开即用"] B -->|"超低延迟 (~55ms) / 离线设备 / 单任务压倒一切"| D["拥有并蒸馏自有模型<br/>掌控取舍自由度"] end ```

鸭哥借此引出了一个比 Jev 本身更深远的思考:每一项热门技术都捆绑了两样东西——一个是长期存在的真实问题,另一个是应时的包装营销("Jev 只是今天的热门名字,没人会帮你拆开它,因为拆开就摘掉了光环")。 - **长期沉淀的本质**:业务需要又快又便宜的决策;复用共享前缀(prefix caching)、单 token 读字母等加速技巧对任何模型都通用;在具体任务上做配对测试(paired rounds)的方法论跨越模型世代;真实业务系统本身就掌握状态。 - **转瞬即逝的包装**:品牌噱头、玄乎的“System 1 快速直觉”标签、社交媒体上疯传的游戏实况切片("明年又会换个名字")。

当行业再次出现爆火概念时,开发者应当用两个核心问题穿透迷雾: 1. "如果模型强 10 倍,这件事还重要吗?" 2. "它到底在解决什么问题,我还有这个问题吗?"

---

[23:22](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1402s) AI Builders 2027:在真实场景中构建判断力与工程闭环

技术包装的拆解依赖判断力,而判断力只能在被严格把关的动手实操中建立。鸭哥与孙育峥(Yuzheng Sun)博士共同主讲的《AI Builders 2027》课程,核心就是将这一工程闭环带给学员。课程设置包含 2 次直播课(每次 2 小时,两人各讲一半):

1. **第一次直播课**:孙育峥博士首先解答“到底该怎么学 AI”——唯有从具体需求出发亲手做,才能过滤掉浮躁的炒作;鸭哥随后接手讲解 Context(上下文),演示如何从最简陋的纯文本聊天框起步,现场搭建演进为一个能读取用户真实数据与技能的生产力工作空间。 2. **第二次直播课**:鸭哥重点讲授“测量(Evaluation)”,现场手写一个微型产品,但在写下第一句 prompt 之前,先搭设由数据集、评估指标和基线(baseline)构成的严密评测流水线;孙博士最后用深层思考收尾:“当你几乎什么都能做时,怎么判断什么值得做?”

课程的实训路径分为三大模块: - **5 个引导项目(Guided Projects)**:聚焦于“让 AI 读取和操作为人设计的网页与 GUI”。鸭哥解释,工作中 AI 落地最大的瓶颈往往不是模型本身,而是“怎么拿到数据”。项目中还会复盘真实的 Agent 陷阱——例如在答疑课中,曾有 Agent 汇报在画画游戏中拿到接近满分并截屏为证,结果核查发现截图根本不是游戏原本的界面,而是 Agent 自己伪造的假结果。课程会详细拆解这类幻觉的识别与防御机制。 - **AI Builder Space 实训平台**:提供一站式 API key,统一打通模型推理、语音识别(ASR)、图像生成与实时搜索,开发过程中支持学员使用 coding agent 辅助接线,完成后一键部署为可写在简历上的公开上线链接。 - **毕业项目(Capstone)与真实个案**:学员需挑选工作或生活中的真问题打造落地应用,由讲师全程反馈指导。鸭哥分享了一位经济学背景的学员 Ye 的案例: > Ye 的祖母听力受损,医院测定只能听到低频声音。当家人与老人交流时,下意识提高音量会导致声音音调(pitch)同步飙高,反而让老人更听不清;人类能控制音量却极难在提高音量的同时刻意压低音调。Ye 希望做一款能把家人说话声实时转换成低沉声音的 App。起初她询问 AI,各大模型厂商给出的都是语音大模型、声音克隆等极其沉重昂贵的方案,折腾数小时毫无进展。鸭哥指导她:“这事其实用不着 LLM,标准的变调(pitch shift)算法几十行 Python 代码就能搞定。”Ye 最终通过 42 次 git commit 交付并部署到了 AI Builder Space,家人至今在日常使用。这印证了课程最核心的价值观——技术选型中真正珍贵的不是盲目上大模型,而是找准解法的工程判断力。

---

[27:24](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1644s) 课程安排、社区权益与问答开场

鸭哥最后公布了下一期课程的具体日程与报名细节:

- **开课节奏**:下一期于 10 月 12 日(下周一)正式开课,开课当天即截止报名。第一周发放学习资料及 AI Builder Space 平台权限供预习阅读;10 月 17 日(周六)举行第一次直播课;10 月 25 日举行第二次直播课;两周之间安排一次可选的答疑课(Office Hour),供学员现场 Debug 没跑通的代码。 - **交付内容与支持**:每节直播课均提供全程录像;提供 200 多页、支持终身免费更新的文字教材(目前正在进行新一轮大重写,学员后续版次全覆盖);赠送为期一年的 “Stay Superlinear” 学员社区交流权益。 - **口碑与优惠**:课程历经 13 期迭代,在 84 条评价中保持 5.0 满分,吸引了大量来自 OpenAI、Anthropic 等前沿机构的 Builder 参与,好评主要集中于“在真实反馈指导下做真东西”的实战体验。 - **直播专属福利**:输入优惠码 `beyond-jev` 可享受 $200 减免,扫码或点击聊天区链接可直接展示折后价格。

Duck 哥随后结束讲授,向在线观众开放 Q&A 提问环节,并提醒大家关注包含课件 PPT、录像、开源项目代码(Pacman 决策实验仓库)、优惠券及报名链接的课后邮件。

## Notable quotes > [01:06](https://www.youtube.com/watch?v=sD2qk6osdAw&t=66s) 测量不了的东西,你就没法改进 — 鸭哥

> [06:01](https://www.youtube.com/watch?v=sD2qk6osdAw&t=361s) 下个路口往哪走? — 鸭哥

> [12:31](https://www.youtube.com/watch?v=sD2qk6osdAw&t=751s) 换之前先在你自己的任务上测一测 — 鸭哥

> [20:11](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1211s) 这看起来像是免费的午餐,对吧?那么账单在哪里? — 鸭哥

> [20:34](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1234s) 速度的代价是输出变窄,智能的代价是等待时间,小而专的模型让我们付出了广度。 — 鸭哥

> [21:30](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1290s) Jev 只是今天的热门名字,没人会帮你拆开它,因为拆开就摘掉了光环 — 鸭哥

> [21:30](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1290s) 明年又会换个名字 — 鸭哥

> [21:30](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1290s) 如果模型强 10 倍,这件事还重要吗? — 鸭哥

> [21:30](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1290s) 它到底在解决什么问题,我还有这个问题吗? — 鸭哥

> [23:22](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1402s) 当你几乎什么都能做时,怎么判断什么值得做? — 孙育峥

> [23:22](https://www.youtube.com/watch?v=sD2qk6osdAw&t=1402s) 这事其实用不着 LLM,标准的变调(pitch shift)算法几十行 Python 代码就能搞定。 — 鸭哥

## Mentioned 立正, 鸭哥 (Yan), 孙育峥, Ye, TypeSafe, Jev, Vercel, Superlinear Academy, Samsara AI, Microsoft Bing, Pinterest, Claude Code, Together AI, Tev1, Phi-4-mini, Qwen3.5, Qwen3.8, Qwen2.5, Gemma 4 E4B, SemIf (OpenJev), JevBench, iPhone 16 Pro Max, RTX 5090, AI Builders 2027, AI Builder Space, OpenAI, Anthropic

## Video description 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

[Source](https://www.youtube.com/watch?v=sD2qk6osdAw)

中文简报

开源小模型吃豆人实测胜过Jev,蒸馏0.8B端侧模型时延减半 专用决策模型并非不可替代,开发者通过离线蒸馏可在垂直场景与端侧时延上反超商业模型,但专精特化的代价是牺牲通用常识判断力。 主讲人鸭哥通过吃豆人实时游戏对 Jev 展开了三组对照实验:首先解析了 Jev 将游戏状态转为 380 Token 文本输入的运作机制(10 局平均吃 178 颗豆、单步约 115 毫秒);随后证明未做决策微调的微软 Phi-4-mini(3.8B)在同等文本下能以 232 颗豆大幅超越 Jev;最后利用 27B 大模型在 Lockstep 机制下离线打标签,成功蒸馏出一个 0.8B 的端侧模型,不仅在真实时钟下平均吃豆 425 颗、延迟压缩至 55 毫秒且可离线部署至 iPhone,但也揭示了其在 194 道通用判断题上能力暴跌至 0.53 的特化代价。结论指出技术选型处处是取舍,开发者应根据延迟、离线与通用需求在托管与自建间理性决策,并介绍了聚焦工程判断力的 AI Builders 2027 课程体系。 专有决策模型并非不可替代:在实时吃豆人基准测试中,微软 3.8B 参数的未微调模型 Phi-4-mini 平均吃豆 232 颗,全面超越 TypeSafe 专有模型 Jev 的 178 颗基线成绩。 (10:40) 通过引入 Lockstep 锁步机制与 27B 大模型离线高质量标注,团队蒸馏出的 0.8B 超轻量模型在实时游戏中平均吃豆 425 颗,决策延迟压缩至 55 毫秒,并成功在 iPhone 16 Pro Max 上实现离线端侧部署。 (18:40) 特化极速模型的代价是通用能力的断崖下跌:0.8B 蒸馏模型在 194 道非游戏通用判断题中得分仅为 0.53,显著落后于 Jev 的 0.89 与 Tev1 (0.8B) 的 0.66,技术选型需在开箱即用通识与垂直极致性能之间做取舍。 (20:34) 开源社区在 72 小时内复现了 Jev 的核心能力,并通过前缀缓存、批量多查询以及收窄至单 Token 概率预测等推理工程技巧,将 700 多次决策的基准耗时从 333 秒极限压缩至 1.02 秒。 (14:24)

Source quotes

[1:06] 鸭哥: 测量不了的东西,你就没法改进 [6:01] 鸭哥: 下个路口往哪走? [12:31] 鸭哥: 换之前先在你自己的任务上测一测 [20:11] 鸭哥: 这看起来像是免费的午餐,对吧?那么账单在哪里? [20:34] 鸭哥: 速度的代价是输出变窄,智能的代价是等待时间,小而专的模型让我们付出了广度。 [21:30] 鸭哥: Jev 只是今天的热门名字,没人会帮你拆开它,因为拆开就摘掉了光环 [21:30] 鸭哥: 明年又会换个名字 [21:30] 鸭哥: 如果模型强 10 倍,这件事还重要吗? [21:30] 鸭哥: 它到底在解决什么问题,我还有这个问题吗? [23:22] 孙育峥: 当你几乎什么都能做时,怎么判断什么值得做? [23:22] 鸭哥: 这事其实用不着 LLM,标准的变调(pitch shift)算法几十行 Python 代码就能搞定。

Original transcript

[0:00] 上次我们讲到,评价一个技术 [0:01] 最重要的就是找对标 [0:04] 找到它的 best alternative [0:06] 然后我们在那个视频里边也去评价了 Jev [0:09] 并且说我们要把 Jev 的这个对标做出来给大家看 [0:13] 这样的话,才能让大家正确地理解 [0:15] Jev 这件事情到底值不值得跟 [0:17] 我的答案是不值得跟的 [0:19] 那鸭哥就把这个做出来了 [0:21] 并且给大家开源了 [0:22] 他用了两个小时的时间 [0:23] 就用一个本地模型完全取代了 [0:25] Jev 的能力、Jev 的性能 [0:27] 而且在 Jev 最核心的那个案例 [0:29] 就是用来打那个吃豆人的那个游戏上 [0:32] 取得了更好的效果 [0:33] 再用了一个小时的时间 [0:35] 去把这个模型蒸馏 [0:36] 变成一个更小的模型 [0:37] 在手机上就可以使用 [0:39] 那它整个的讲解和背后的道理 [0:41] 我们也做成了一个小课程 [0:44] 免费开放给大家 [0:45] 大家感兴趣的话 [0:46] 我们在 10 月 12 号的那期直播课 [0:49] 也会有更加详细、更加系统的讲解 [0:52] 我现在发了以后 [0:53] 这个课程还有两天的报名时间 [0:55] 如果说你错过报名时间的话 [0:56] 也欢迎给 support@maven.com 发邮件 [1:01] 应该还有一个周的时间是可以报名的 [1:03] 接下来我们就放鸭哥的迷你课程 [1:06] 那我们开始吧 And we can get started. [1:08] 大家好,感谢大家来参加 And hello, everyone, and thanks for joining here. [1:13] 如果你关注 AI 新闻,大概已经在信息流里刷到过 Jev 了 If you follow AI news at all, you've probably already seen Jev in your feed. [1:18] 大家看到一个语言模型在玩它从没见过的游戏 Like, people watched a language model playing games it has never seen before. [1:23] 而且是实时的,速度还快到跟得上游戏 Live, and also fast enough to keep up with it. [1:27] 今天我们就来拆解这个 demo,用 3 个实验来拆 So today, we're going to take that demo apart, and we'll do it with 3 experiments. [1:33] 今天你看到的每个数字,都来自我们自己实测的真实运行 Every number you will see today comes from the real runs we measured by ourselves, [1:38] 除非我特别说明 unless I tell you otherwise. [1:39] 不过在第一局游戏之前,先简单说说是谁在做这些实验 But before the first game, let me quickly tell you who's running those experiments. [1:44] 就是我自己 That is myself. [1:45] 我是 Yan,Superlinear Academy 的联合创始人 I am Yan, and I am a co-founder of Superlinear Academy. [1:50] 我在 AI 的两端都做了很多年:做研究,也做产品落地 I have spent many years on both sides of the AI, like research and also shipping products. [1:57] 我的论文发表在 CVPR、NeurIPS 和 KDD 等会议上 My papers have appeared at venues like CVPR, NeurIPS, and KDD. [2:02] 产品方面,我为 Samsara 的 AI 平台打下了科学基础 And on the product side, I laid the scientific foundation of Samsara's AI platform, [2:08] 在那之前,我是核心技术贡献者 and before that, I was a key technical contributor [2:11] 参与过 Microsoft Bing 图片搜索和 Pinterest 搜索 to Microsoft Bing Image Search and Pinterest Search. [2:16] 今天我还是按老习惯来:先测量,再决策 Today I will work as I always do, measure first and then decide [2:20] 因为测量不了的东西,你就没法改进 because you cannot improve anything you cannot measure. [2:24] 我们进入正题。大家知道每周都有新模型发布 And let's go to the meat. We know that new models launch every week, [2:30] 那为什么 Jev 值得专门讲一整节课? so why does Jev deserve a whole lesson? [2:34] 答案就在这个数字里 And the answer lies in this number. [2:37] 13% 13%. [2:39] 发布当天,Vercel 的 CEO 说 On launch day, Vercel's CEO said that, oh, [2:42] 他们 AI Gateway 上约 13% 的活跃团队开启了 Jev about 13% of the active teams on its AI Gateway turned Jev on. [2:48] 想想这意味着什么:很多团队第一天就把它用上了 And think about what that means. That's a lot of teams putting it to work on day one. [2:53] 那他们开启的到底是什么? So, what exactly were they turning on? [2:57] 它是一个决策模型 Well, it's a decision model. [2:59] 更具体地说,TypeSafe 做 Jev And more specifically, TypeSafe built Jev [3:02] 是为了让又快又便宜的多选决策变得实用 to make fast and cheap multi-choice decisions practical. [3:07] 他们把它定位为你产品的 System 1 And they pitch it as a System 1 for your product. [3:12] 你给它一个情境和几个选项,它选一个,就这样 You give it a situation and a few options, and it picks one. That's it. [3:16] 比如把工单分给对的团队,或者对照规则检查一个请求 Think of routing a support ticket to the right team, or checking a request against a policy. [3:22] 老实说,它确实做到了 And honestly, it delivers. [3:24] 一次决策大约 100 毫秒返回,而且是走公网 So, a decision comes back in about 100 milliseconds, and that's over the public internet. [3:31] 一整局 吃豆人 下来,花费不到 1 美分 And a whole game of Pac-Man, it will cost less than 1 cent. [3:35] 你那边也不用做任何部署,因为它就是个 API And there's nothing to set up on your side, because it's an API. [3:40] 所以光看成本,没有理由弃用 Jev So, cost alone is no reason to move off Jev. [3:44] 得承认,它……它是个扎实的产品 And let's admit, it's… it is a solid product. [3:47] 但如果它只是分派工单,是火不起来的 But if all it did was just routing support tickets, it won't have gone viral. [3:54] 那它是怎么火起来的? So, what made it go viral? [3:57] 让 Jev 爆火的其实是游戏。发布帖 What made Jev go viral was actually games. The launch post [4:01] 在 X 上的浏览量超过了 3500 万 passed like 35 million views on X. [4:04] 大家转发的 Jev 片段,不是它在分派工单 And all the clips people share about Jev were not like Jev triaging support tickets. [4:11] 而是它在玩从没见过的游戏 They were Jev playing games it has never seen. [4:15] 为什么这件事这么有意思? And why is that so interesting? [4:17] 因为它打破了我们大多数人的一个直觉 Because it breaks an intuition most of us had. [4:21] 我们觉得语言模型又慢又啰嗦 Like, we think of language models as slow and chatty. [4:24] 你问一个问题,它给你写一大段 You ask a question, it writes you a paragraph. [4:28] 但游戏不会等你。错过一步,时机就没了 But a game doesn't wait for you. You miss a turn and the moment is gone. [4:32] 一个语言模型实时操控角色,这让大家很惊讶 So, a language model steering a character live, that's what surprised the people. [4:38] 于是这些片段就传开了 And the clips traveled. [4:40] 你现在看到的是 Jev 在我们的浏览器里玩 吃豆人 And what you're watching here is Jev playing Pac-Man in our browser, [4:45] 而且是按实时时钟 and on a real-time clock. [4:48] 这个游戏是我们自己写的,已经开源了 We wrote this game ourselves, and open sourced it. [4:51] 稍后会贴出 GitHub 链接。所以你可以…… We'll paste the GitHub link later. So, you can… [4:54] 我们能读取它的内部状态,能控制时钟,能做实验 We can read it, like, the internal state, we can control its clock, we can do experiments. [5:00] 这里我们选了 吃豆人 And here, we pick Pac-Man. [5:02] 因为没见过的游戏正是 Jev 自己的招牌 Because unseen games are Jev's own showcase, [5:06] 所以这确实是在它主场上的公平测试 so this is indeed a fair test on its home turf. [5:11] 爆火的 demo 往往会给背后的机制罩上光环 And now, a viral demo turns out to wrap the mechanism in a halo. [5:16] 那我们怎么看清这个 demo 背后的东西? And how do we look behind this one? [5:20] 为此我们会做 3 个实验,每个都建立在前一个之上 And to figure this out, we'll run 3 experiments, and each one built on the one before. [5:25] 第一,接上它 First, we'll hook it up. [5:27] 我们会演示怎么把 Jev 接到实时 吃豆人 游戏上 We will show how to connect Jev to a live Pac-Man game, [5:31] 看看它到底读到了什么 and look at exactly what it reads. [5:34] 第二,替换它。我们换上一个普通 LLM And second, we replace it. We swap in an ordinary LLM. [5:37] 说清楚一点,Jev 也是 LLM,只是专门为决策训练过 And to be clear, Jev is an LLM too, but this one has been trained specifically for decisions. [5:43] 我说的普通 LLM,是指那种 And when I say an ordinary LLM, I mean this kind of LLM [5:47] 今天就能下载、完全没做过决策训练的 LLM you can download today with no decision training at all. [5:51] 第三,打败它 And then, third, we beat it. [5:54] 模型到了我们手里,我们就训练一个小模型 Once the model is ours, we'll train a small model [5:57] 把这个游戏玩得更好,甚至比 Jev 还好 that plays this game better, even better than Jev. [6:01] 那么,实验一 So, experiment one. [6:03] 怎么把语言模型接到游戏上? How do you connect the language model to a game? [6:07] 设置是这样的 Here's a setup. [6:08] Jev 从来看不到屏幕 So Jev never sees the screen. [6:10] 它没有多模态能力 It doesn't have multimodality capabilities. [6:13] 它的 API 接收数据形式的情境,加上一组选项 Its API takes the situation as data, and plus a list of options. [6:17] 今天测的每个模型都是这样 And that's true for every model we test today. [6:21] 然后游戏不停地问模型同一个问题 And then the game keeps asking the model one question. [6:24] 下个路口往哪走?下个路口往哪走? Oh, at the next junction, which way? At the next junction, which way? [6:28] 所以得有个东西把屏幕上的画面变成文字 So, something has to turn the picture on the screen into words. [6:32] 这就是我们说的适配层 And that's what we call the adaptation layer. [6:35] 对 吃豆人 能走的每个方向,它会写下几条事实 For each direction the Pac-Man could take, it writes down a few facts. [6:41] 比如那个方向有没有鬼?多远?有几颗豆? Like, is there a ghost that way? How far? How many pellets? [6:45] 最近的大力豆有多远?整段描述大约 380 个 token How far is the nearest power pellet? This whole description is about 380 tokens, [6:51] 老实说,这层是 Claude Code 帮我们写的,并不难 and honestly, Claude Code wrote this layer for us, and it's not that hard. [6:57] 任何接入 Jev 的人,也都得写 And anyone who wires up Jev also has to write [7:01] 一个这样的东西 One like this, too. [7:03] 为了公平,所有实验里每个玩家读到的输入都完全一样 And for fairness, for all the experiments, every player reads exactly the same input. [7:10] 再来说时钟 And now, the clock. [7:11] 游戏以固定的 30…… It's a game because it runs at a fixed 30… [7:15] FPS 运行,不等任何人。如果答案来晚了 FPS, and it doesn't wait for anybody. If the answer arrives late, [7:20] 吃豆人 已经过了路口,这个决策就会被丢弃 And Pac-Man has already passed the junction, that decision, we'll drop it. [7:25] 我们用固定种子玩 10 局,每局最长 5 分钟,数吃了几颗豆 So, we play 10 games on fixed seeds, and each up to 5 minutes, and count the pellets. [7:32] 那从模型那边看,这段文本长什么样? So what does this text look like from the model side? [7:36] 这些是 Jev 某一局里的真实决策,是实时记录下来的 These are the real decisions from one of Jev's games, logged as, when they happened. [7:41] 上半部分是 Jev 收到的游戏状态,比如剩几条命、剩几颗豆 The top half is the game state that Jev received, like the lives, the pellets left. [7:48] 然后是到下个路口的距离 And then, the distance to the next junction, [7:51] 再是它能走的每个方向各一行 and then one line for each direction it can take. [7:54] 每个数字都是以迷宫格为单位的距离 Like, every number is a distance in maze tiles, [7:57] 从 吃豆人 当前位置算起 so it's counted from Pac-Man's current position. [8:01] 比如这一行说,如果 吃豆人 掉头,6.3 格外有只鬼 So, for example, this one says, there is a ghost 6.3 tiles away if Pac-Man turns back. [8:09] 游戏什么时候发问? And when does the game ask? [8:12] 答案一回来,它就接着问前面的下一个路口 As soon as an answer comes back, it asks about the next junction ahead. [8:16] 下半部分是 Jev 的回答 So, the bottom half, this is Jev's answer. [8:19] 它选一个方向,并给每个选项一个概率,而且常常不太确定 It picks up one direction, plus a probability for each option. And it's often not very sure. [8:26] 比如第一个决策里,「上」只拿到大约一半的概率 And in this first, decision, the up just wins about half of the probability. [8:32] 跟第二个选项差不多 Compared with the second. [8:34] 右边是调用托管模型的往返时间,单位毫秒 And on the right, it's the round trip to the hosted model in milliseconds. [8:40] 比如这次往返调用是 140 毫秒 And, for example, this is 140 milliseconds for this round trip call. [8:45] 这次的总开销大约是 600 个输入 token The total cost for this is about 600 input tokens. [8:49] 前面说过,我们用 380 个 token 来描述情境 We mentioned that we had 380 tokens for… to describe the situation, [8:54] 多出来的是 Jev 自己加的,大概是固定指令 and the extra were added by Jev itself. It probably is fixed instructions. [9:01] 我们来看几个路口。这是 吃豆人 的位置 So, let's watch a few junctions go by. This is where the Pac-Man is. [9:06] 它问……它构造出这段文本,问 Jev 当前情况 It asks… it constructs this and asks Jev what is the situation, [9:10] Jev 返回结果。根据这个结果 and Jev returned the result. Based on the result. [9:14] 它沿着路走,继续玩 It goes along the way and play the game. [9:17] 可以看到,Jev 基本上是先奔着大力豆去 And we can see that essentially Jev heads for the power pellet, [9:21] 等鬼变成可以吃的,它就去追一只 and then once the ghosts turn edible, it chases one. [9:24] 这就是幕后发生的事 This is what happened behind the scene. [9:28] 就模型所知,这就是整个世界 And that's the whole world, as far as the model knows. [9:31] 没有画面,也没有记忆 And no, there's no picture, no memory. [9:34] 那仅凭这些,Jev 玩得怎么样? So, how well does Jev play from just this? [9:38] 结果是 178 And it turns out it's 178. [9:42] 一关有 244 颗豆,Jev 一局通常就是吃 178 颗 A level has 244 pellets, so 178 pellets is what a typical Jev game looks like. [9:48] 吃豆人 会吃掉这么多豆 The Pac-Man would eat this many pellets. [9:52] 这是实时时钟下 10 局的平均值 And that's the average over 10 games on the real-time clock. [9:57] 走公网,每次决策大约 115 毫秒 At about 115 milliseconds per decision across the public internet. [10:03] 我觉得这是个不错的基线,也是我们要超越的标杆 I would say it's a respectable baseline, and it's the bar to beat. [10:07] 真正的问题是:这件事是只有 Jev 能做 So here's the real question. Is this something only Jev can do, [10:12] 还是普通 LLM 也能做? or can an ordinary LLM do it too? [10:16] 结果是,它们也能 Turns out, they can. [10:17] 我们把完全相同的文本给了 5 个不同的模型 So we give the exact same text to five different models. [10:21] 其中 2 个是专门的决策模型 Two of them are dedicated decision models. [10:23] 比如 Together AI 有个决策模型叫 Tev1 Like Together AI, they have a decision model called Tev1. [10:27] 它有 40 亿 And it has 4 billion [10:30] 参数。它吃到 148 颗豆,Jev 前面看到是 178,差得不远 parameters. This one gets 148 pellets, and Jev, as we saw, is 178. So, not too far away. [10:40] 另外 3 个是没做过决策训练的普通 LLM And the other three are ordinary LLMs with no decision training. [10:46] 我们测了 Qwen3.5 4B,它吃到 197 颗 And we tested the Qwen3.5 4 billion, it eats 197, [10:52] Google 的 Gemma 4 E4B 是 230 颗 and Google's Gemma 4 E4B, it's, 230. [10:56] Microsoft 的 Phi-4-mini 吃到 232 颗 And Microsoft's Phi-4-mini eats 232. [11:00] 所以在这个任务上,没有什么是 Jev 独有的 So, on this task, nothing here is unique to Jev. [11:05] 普通 LLM 的得分其实和决策模型一样好 The ordinary LLM actually scored as well as the decision models, [11:08] 最好的那个还更高 and the best one actually scored higher. [11:12] 我们让最好的那个和 Jev 正面对决 So, let's put the best one head-to-head with Jev. [11:16] 这是 Phi-4-mini,一个 38 亿参数的普通 LLM This is a Phi-4-mini, and it's an ordinary 3.8 billion parameter LLM [11:21] 没做过任何决策训练 with no decision training. [11:22] 我们只加了 JSON 约束,类似 GPT API 的 JSON mode All we added was, like, JSON constraint, pretty much like a JSON mode in GPT API. [11:28] 所以它的回答格式总是对的 So, its answer always come back in the right shape. [11:31] 可以当普通 JSON 来解析 We can parse it as a regular JSON blob. [11:33] 左边 Phi-4-mini 平均 232 颗豆,右边 Jev 是 178 颗 And on the left, Phi-4-mini averages 232 pellets, and on the right, Jev achieved 178. [11:42] 但对 Jev 公平地说,它更快,确实更快 But to be fair to Jev, it's faster. It's indeed faster. [11:46] 每次决策 100 毫……115 毫秒 It's 100 milli… and 15 millisecond per decision, [11:50] 而 Phi-4 每次决策要 187 毫秒 and while, this Phi-4 uses, 187 milliseconds per decision, [11:55] 但有个前提:我们是在 Mac 上测的 but there's a caveat. We measure this on a Mac. [11:59] M3 Mac。我们也在 NVIDIA 显卡上试过,如 RTX 5090 M3 Mac. We also tried that out on NVIDIA cards, like RTX 5090, [12:04] 在 NVIDIA 显卡上,4B 模型读同样的状态快约 7 倍 and on the NVIDIA cards, a 4B model reads the same state about 7 times faster, [12:10] 所以它其实……甚至可能比 Jev 快很多 so it's actually… it could be a lot faster compared with even Jev. [12:16] 为了公平,我们还按种子逐局配对,让两个玩家 And to be fair, we also paired the game seed by seed, so both players are [12:21] 面对完全相同的迷宫。这样配对后 face exactly the same mazes and matched that way, [12:25] Phi-4-mini 每局多吃 54 颗豆,标准误为 24 Phi-4-mini would eat 54 more pellets per game with a standard error bar of 24. [12:32] 不过……在你把 Jev 换掉之前,有两个合理的质疑 But… Before you rip Jev out, there are two fair objections. [12:37] 第一个质疑是可靠性 The first objection is reliability. [12:39] 普通 LLM 能不能连续几千次都保持输出干净? Can an ordinary LLM keep its output clean, like, thousands of times in a row? [12:46] 答案其实是能 And here the answer is actually yes. [12:49] 在近 6000 次决策里,3 个普通 LLM 的无效输出为 0 Across nearly 6,000 decisions, three ordinary LLMs produce zero invalid outputs. [12:55] 所以格式问题不是非用专门模型的理由 So, formatting is no reason to need a special model. [12:59] 第二个质疑是通用性 And the second objection is the generality. [13:02] 吃豆人 只是一个任务,而外面有几百万种不同的任务 We know that Pac-Man is just one task, and there are millions of different tasks there. [13:07] 所以我们来看看外部证据 So, let's look at outside evidence. [13:10] 有个开源项目 There is an open source project. [13:12] 以前叫 OpenJev,后来不知怎么改名叫 SemIf 了 Previously, it was called OpenJev, and then somehow it changed its name to SemIf. [13:18] 他们复现了 Jev 的 102 个官方判断任务 They rebuilt 102 of Jev's official judgment tasks [13:21] 底座是冻结的普通 Qwen3.5 4B,完全没训练 on top of a regular frozen Qwen3.5 4B, with no training at all. [13:26] 就是我们说的普通 LLM 加 JSON mode So it's just an ordinary LLM, as we said, with JSON mode. [13:31] 这个普通的 Qwen3.5 拿了 84.5%,Jev 是 88.3% And this mere Qwen3.5 model scored 84.5%, and Jev scored 88.3%, [13:38] 相当接近,而且它没做任何后训练 so that's pretty close, and there's no post-training on it. [13:45] 但事情还有另一面 But there's another side of the story. [13:48] 有个叫 JevBench 的基准,里面有 220 道难题 There are 220 hard questions on a benchmark called JevBench. [13:54] 这里就有差距了 There is a gap. [13:56] Jev 得 74.1%,SemIf 只有 59.5% Jev scores 74.1%, and SemIf only scored 59.5%. [14:02] 所以我觉得结论是这样的 So I would say the takeaway is this. [14:05] 吃豆人 只是一个任务。很多任务上,没训练过的普通开源模型 Pac-Man is one task. There are a lot of tasks that just a regular, untrained open-source model [14:11] 就能做得很好,跟 Jev 差不多,可能更快、更便宜 would do really well, pretty much like Jev. It could be faster, it could be cheaper, [14:16] 但也有些任务,它们很难达到 Jev 的水平 but there are also other tasks that they struggle to match Jev's performance. [14:21] 所以,换之前先在你自己的任务上测一测 So, measure on your task before you switch. [14:24] 现在假设普通 LLM 在你的任务上过关了 And now, suppose the ordinary LLM does pass on your task. [14:28] 你能用它做哪些托管 API 做不到的事? What can you do with it that you cannot do with a hosted API? [14:33] 其实能做的挺多 And quite a lot, actually. [14:36] 模型一旦归你,你就可以继续往前推 Once the model is yours, you can keep pushing it. [14:39] 首先,让它变快 And first, we make it fast. [14:41] 我们会演示怎么让它变快,再演示怎么让它更聪明 We'll show you how to make it fast, and then we'll show you how to make it smarter, [14:46] 然后试着两者兼得,看看要付出什么代价 and then we'll try to get both at once, and look at what that costs us. [14:51] 先从刚才看到的差距说起:速度 So let's start with the gap we just saw, the speed. [14:54] Jev 比 Phi-4-mini 快。这速度是从哪来的? Jev was faster than the Phi-4-mini. So, what does that speed come from? [15:00] 其实发布后 72 小时内 Actually, within 72 hours of the launch, [15:03] 开源社区就已经有 4 个能跑的复现版本,它们能…… the open source community already had 4 working reproductions, and they can… [15:08] 在一定……在相当程度上追平 Jev 的速度 to some… to quite some extent, they can match Jev's speed. [15:12] 这是推理工程,谁都能做 And it's inference engineering, so anyone can do it. [15:15] 还记得刚才说的 SemIf 吗?它的作者给这些技巧计了时 Remember SemIf, that from a minute ago? Its authors timed those tricks. [15:21] 他们有个基准,包含 700 多次决策 They have a benchmark with more than 700 decisions, [15:25] 如果每个问题都从头重算一遍 and they're recomputing everything from scratch for every question, [15:30] 要花 333 秒 and it would take 333 seconds. [15:33] 怎么优化呢? And how to optimize for that? [15:35] 第一个思路:关于同一情境的每个问题 The first idea is, oh, every question about the situation, [15:39] 开头都是同一段描述 they start with the same description. [15:41] 这正是前缀缓存的经典用法 And that's the classic use of a prefix cache. [15:45] 共享的部分只算一次,然后复用 So, they will compute the shared part once and reuse it. [15:49] 在同一基准上,这把时间降到了 72 秒 That brought down to 72 seconds on the same benchmark. [15:54] 第二个思路:在真实产品里 And the second idea is, in a real product, [15:56] 你常常会就同一情境问好几个问题,比如一张工单 you often ask several questions about the same situation, like, this is a ticket. [16:01] 急不急?该给哪个团队?需不需要人工? Is it urgent? Which team should get it? Does it need a human? [16:05] 那就一起问,而不是一个个问,放进一个 batch So, you ask them together instead of one by one, and in one batch. [16:09] 这把时间降到了 38.8 秒 That brought down to 38.8 seconds, [16:12] 比起点快了将近一个数量级 nearly an order of magnitude faster than where we started. [16:16] 还有第三个思路:干脆不写答案 And there is even a third idea, that just don't write an answer at all. [16:21] LLM 要逐个 token 地写答案,这才是最耗时的部分 LLMs try to ask to write an answer token by token, and that's the time-consuming part. [16:27] 如果给每个选项一个字母 What if we just give each option a letter, [16:30] 只让 LLM 给我一个字母,就这样 and just ask LLM, just give me a letter, that's it. [16:33] 然后读出模型偏向哪个字母,这也能省很多时间 And then we read which letter the model favors. That could also save a lot of time. [16:39] 只要 1.02 秒,而写 JSON 要 5.33 秒 That took only 1.02 seconds against, like, 5.33 seconds for writing JSON. [16:44] 当然…… And… [16:46] 这也是有代价的 We also pay price for that. [16:48] 跟 Jev 的做法差不多,就是输出很窄 It's pretty much the same as what Jev did, it's just a narrow output. [16:52] 模型只能从你给的字母里选一个 So the model can only pick one from your letters. [16:55] 但这样一来,速度基本就够得着了 But then, the speed is pretty much within reach. [16:59] 那……在这个速度下,能不能也让它玩得更好? So… Can we also make it play much better with this speed? [17:04] 可能不是在这个速度下,而是做到这个速度之后 Probably not with this speed, after we achieve this speed. [17:08] 答案是可以,但要用更大的模型,或者让它思考 And the answer is yes, but with a bigger model or by letting it think. [17:13] 我们已经知道,在实时时钟下,模型大小本身就有帮助 So, we already know that on the real-time clock, size already helps. [17:19] 0.8B 的 Tev1 吃 69 颗豆,4B 版吃 148,Jev 是 178 Like, Tev1 at 0.8 billion eats 69 pellets, the 4B version eats 148, and Jev sits at 178. [17:27] 现在换个大得多的:Qwen3.8-27B And now let's go much bigger to Qwen3.8, 27 billion. [17:31] 这里有个值得知道的技巧。当模型太慢跟不上时钟 And here's the trick worth knowing. When a model is too slow for the clock, [17:36] 或者你想让每次运行都能精确复现 or if you want to want runs that are exactly reproducible, [17:39] 或者只是想收集数据 or if you want to just collect the data, [17:41] 就可以让游戏在每个路口等模型。我们管这叫 lockstep you can let the game wait for the model at every junction. We call that lockstep. [17:46] 这是个选项,不是必需的 It's an option, not a requirement, [17:48] 它能让你看到,不受时间限制时决策能有多好 and it is able to show you how good decisions can get when the time is not a constraint. [17:54] 所以这些柱子要和实时的分开来看 So, reading these bars as a separate track from the real-time ones. [17:58] 不开思考,27B 吃到 301 颗豆! Without thinking, 27 billion is 301 pellets! [18:03] 等一下,一关只有 244 颗豆,怎么能吃 301 颗? But now, wait. A level only has 244 pellets, so how do you eat 301? [18:08] 吃豆人 清完一关后,我们让游戏 So, when a Pac-Man clears a level, we ask the game, [18:12] 进入下一关,换一张新地图 move on to the next one with a fresh board. [18:15] 所以超过 244 就说明它清完第一关又接着玩了 So, anything above 244 means it just cleared the first level and kept going. [18:21] 打开思考后是 531 And with thinking turning on, it is 531. [18:24] 比两整张地图的豆还多 That's more than two full boards worth of pellets. [18:29] 但问题来了 But here's the catch. [18:30] 开思考后,即使在 NVIDIA 显卡上,每次决策也要约 2.4 秒 With thinking, each decision takes about 2.4 seconds, even on an NVIDIA card. [18:36] 按实时时钟,吃豆人 早就跑没影了 So, on the real clock, Pac-Man would be long gone. [18:41] 怎么办?我们想要大模型的水平、小模型的速度 So what do we do? We want the big models play at a small model speed. [18:46] 而这正是微调的用武之地 And that's exactly what fine tuning is for. [18:49] 还记得 lockstep 吗?我们就是这样收集数据的 And remember lockstep? That's how we collect the data. [18:53] 我们是这么做的 So here's what we did. [18:54] 我们让 27B 模型离线标注了一大批游戏状态 We let the 27 billion model label a large set of game states offline. [19:00] 想花多少时间就花多少时间 And then taking all of the time it needed. [19:02] 然后训练了一个 0.8B 的学生模型去模仿这些标注 Then, we trained a 0.8 billion student to copy those labels, [19:07] 用机器学习的术语说,就是蒸馏 or, in machine learning terms, to distill them. [19:10] 玩的时候它只读当前状态,和大家一样的 380 个 token At playtime, it reads only the current state, and the same 380 tokens everyone else gets. [19:16] 其实这部分不需要博士学位,也不需要什么配方 Actually, you don't need a PhD degree or a recipe for this part, [19:20] 因为现在的 coding agent 已经会做了 because modern coding agents already know how to do it. [19:23] 跟 Claude Code 说一句:训个小模型蒸馏这些标注,就行 You just tell Claude Code, oh, train a small model to distill those labels, that's it. [19:28] 它知道该怎么做 And it knows what to do. [19:29] 如果你想看它具体怎么做的,我们的代码也开源了 And if you want to see exactly how it did it, our code is also open source, [19:34] 链接会在课后邮件里 and the link will be in the email after this lesson. [19:38] 那它玩得怎么样? So, how does it play? [19:39] 实时时钟下,它吃到 425 颗豆,是 3 轮实时运行的平均 On the real-time clock, it eats 425 pellets, average over three real-time rounds [19:46] 每次决策 55 毫秒。在这个任务上,是 Jev 178 的两倍多 at 55 milliseconds per decision. And at this task, that's more than twice of Jev's 178. [19:53] 更妙的是,它小到可以离开数据中心 And what's better is it's small enough to leave the data center. [19:57] 能部署到 iPhone 上。视频里它就跑在我的 iPhone 上 Like, we can deploy it on an iPhone. Here's… this video shows it's running on my iPhone, [20:03] iPhone 16 Pro Max,app 也是让 Claude Code 写的 iPhone 16 Pro Max, and in an app we build, we also ask Claude Code to do it, [20:08] 每次决策大约半秒 at about half a second per decision. [20:11] 又小又快,吃豆人 还玩得更好。像是免费午餐,对吧? So, it's small, it's fast, it's better at Pac-Man. Looks like a free lunch, right? [20:17] 那账单在哪? So, where's the bill? [20:19] 账单在这。我们给学生模型出了 194 道通用判断题 Here's the bill. We give the student 194 general judgment questions. [20:23] 涵盖意图、工单分派、规则检查、严重度、信息抽取等 They cover intent, ticket routing, policy checks, severity, extraction, everything, [20:29] 没有一道和 吃豆人 有关 and there's no Pac-Man in any of them. [20:32] 得分是这样的 And here's the score. [20:34] 同样大小的 Tev1 0.8B 得 0.66 The same size, Tev1, 0.8 billion, score 0.66, [20:39] 我们蒸馏的 0.8B 只有 0.53 and our distilled 0.8 billion scores only 0.53. [20:45] 而 Jev 在这些题上公布的得分是 0.89 And Jev, they published scores on those questions on 0.89. [20:51] 但有一点要说明 But there's one caveat. [20:53] 我们的学生模型不是从 Tev1 起步的 Our student started not from Tev1. [20:56] 而是从普通的 Qwen3.5 0.8B 基座起步 Our student, started from the regular Qwen3.5, 0.8 billion base. [21:01] 所以部分差距在于它从没接受过通用训练 So part of the gap is it never receives the general training. [21:06] 抱歉,是决策训练 Sorry, receives the decision training. [21:09] 另一部分是它只擅长这一个任务 And another part is it's only good at this task. [21:15] 然后退一步看 And then step back. [21:16] 这就是我们所做一切的规律:处处都有取舍 That's the pattern for everything we did. We see trade-offs here. [21:21] 速度的代价是输出变窄,智能的代价是等待时间 We see speed causes narrow output, we see intelligence causes waiting time, [21:25] 小而专的模型让我们付出了广度 and we also see that small specialists cause us breadth here. [21:30] 那托管模型和自有模型之间,该怎么选? So how do you decide between a hosted model and your own? [21:34] 我的建议是,从你产品不能妥协的那一行出发 And my suggestion is, start from one row your product can't compromise on. [21:38] 如果你要零配置、开箱即用的广泛判断能力 If you want a zero setup, you want broad judgment out of the box, [21:42] 托管的 Jev 完全是个好选择。走公网约 100 毫秒 hosted Jev is a perfectly good answer. It's about 100 milliseconds over internet, [21:47] 每局不到 1 美分,所以别只为了省钱而切换 it's under a cent per game, so please don't switch just to save on price. [21:52] 但当其中某一行真的卡住你时,就该切换 But switch when one of these rows really bites. [21:55] 也许你需要更低延迟,比如我们 0.8B 在 Mac 上的 55 毫秒 Maybe you need a lower latency, like the 55 milliseconds of our 0.8 billion on a Mac. [22:01] 也许得在设备上离线跑,或者某个任务远比其他重要 Maybe it has to run offline on a device, or maybe one task matters far more than others. [22:07] 自己拥有模型,就能自己调整这些行 And owning the model by yourself allows you to move these rows by yourself. [22:13] 这就是关于 Jev 的决策 And that's the decision for Jev. [22:15] 但还有一个更大的道理 But here's a bigger lesson that [22:18] 比 Jev 本身还重要 Even more important than Jev itself. [22:21] 每个热门技术都捆绑了两样东西 Every hot technology bundles two things. [22:23] 一个长期存在的问题,和应时的包装 A problem that lasts, and the packaging from its moment. [22:27] Jev 只是今天的热门名字 So Jev is just today's hot name. [22:29] 没人会帮你拆开它,因为拆开就摘掉了光环 Nobody's going to split that bundle for you, because splitting it takes off the halo. [22:34] 那我们自己来拆。什么是长期的? So let's split it by ourselves. What lasts? [22:38] 产品需要又快又便宜的决策 Products need fast and cheap decisions. [22:41] 让决策变快的技巧,比如复用共享前缀、读答案字母 The tricks that make them fast, like reusing the shared prefix or reading answer letters, [22:46] 对任何模型都管用 they work with any model. [22:48] 在自己的任务上做配对测量,清楚每个取舍的代价 You measure on your own task, with paired rounds, and you know what each trade costs. [22:54] 这些都能带到下一个模型上。而在你的产品里 All of it carries over to the next model. And in your product. [22:57] 你的系统本来就掌握状态,所以不需要游戏引擎 Your system already holds the state, so you don't need a game engine. [23:01] 包装呢?品牌名、System 1 标签、爆火的游戏片段 And the packaging? A brand name. A System 1 label. The viral game clips. [23:06] 明年又会换个名字 Next year, there will be a different name. [23:10] 所以下次有东西爆火时,问自己两个问题 So, next time something goes viral, ask yourself two questions. [23:14] 如果模型强 10 倍,这件事还重要吗? If the model were 10 times better, would this still matter? [23:17] 它到底在解决什么问题,我还有这个问题吗? And what problem is it actually solving, and do I still need to still have it? [23:23] 怎么拆分是一种判断 Making that split is a judgment call, [23:25] 判断力来自练习,还要有人帮你把关 and judgment comes from practice, with someone checking your work. [23:29] 下面说说怎么获得这种练习 So, let me tell you how to get that practice. [23:32] 今天你看到的一切都遵循同一个循环 Everything you saw today followed one loop. [23:34] 向模型描述情境,在真实任务上测量 We described the situation to the model, we measured on the real task, [23:38] 再决定拿什么去换 and we decided what to trade. [23:40] 这个循环说起来简单 That loop is simple to describe, [23:42] 但看我们做一遍,和你在自己的问题上亲手做 but watching us do it once and doing it yourself on your own problem [23:47] 是完全不同的两回事 are two very different things. [23:49] 这正是我们的课程 AI Builders 2027 要解决的 And that's what our course, the AI Builders 2027, is built for. [23:53] 这门课有 2 次直播课,每次 2 小时 This course has two live sessions, two hours each, [23:57] Yuzheng Sun 博士和我每次各讲一半 and Dr. Yuzheng Sun and I would teach half of every session. [24:01] 第一次课,Yuzheng 先讲到底该怎么学 AI In the first one, Yuzheng starts off how to learn AI at all. [24:05] 他的答案是动手做,因为具体需求能过滤掉炒作 His answer is to build, because a concrete need filters out the hype. [24:11] 然后我接着讲上下文 Then, I will take over with the context. [24:13] 今天模型只知道适配层告诉它的东西 Today, the model only knew what our adapter told it, [24:16] 所以我们从一个简单的聊天框出发,现场搭建 so we start from a plain chat box and build it up, live, [24:20] 直到变成 AI 能用你真实数据和技能的工作空间 to a workspace where the AI works with your real data and your real skills. [24:25] 第二次直播课,我讲测量 And in the second live session, I cover the measuring, [24:28] 这也是今天这节课的核心 which is the heart of today's lesson too. [24:31] 我们现场做一个小产品,在写第一个 prompt 之前 We'll build a small product live, and the first thing we build before a single prompt [24:36] 最先搭的是评测:要有数据集、指标和基线 is the evaluation. We need a dataset, we need a metric, and a baseline. [24:40] 然后 Yuzheng 会用一个问题收尾,正好呼应今天 Then, Yuzheng will close with a question that connects right back to the day. [24:45] 当你几乎什么都能做时,怎么判断什么值得做? Once you can build almost everything, how do you decide what's worth building? [24:51] 围绕直播课,你先做 5 个引导项目 And around the sessions, you build 5 guided projects first, [24:55] 再围绕你工作中的问题做一个毕业项目 then a capstone on a problem from your own work. [24:59] 那你具体会做什么? So what will you actually build? [25:01] 路径是这样的 Here's the path. [25:03] 首先是 5 个引导项目,它们有同一个主题 First, five guided projects. They share one theme, [25:06] 让 AI 读取和操作为人设计的东西,比如网页和 GUI getting AI to read and operate things built for humans, like web pages and GUIs. [25:11] 为什么?因为在工作中做 AI 功能,卡点通常不是模型 Why? Because when you build an AI feature at work, the blocker usually isn't the model. [25:17] 而是拿到数据。过程中我们还会带你看一个常见陷阱 It's getting to the data. And along the way, we show you a very common trap. [25:22] 在一次答疑中,agent 得意地报告画画游戏近乎满分 In one office hour, the agent proudly reported a near-perfect score in a drawing game [25:28] 还附了截图作证 with a screenshot to prove it. [25:30] 但截图跟真实游戏长得不一样,结果是它自己编的 But the screenshot didn't look like the real game. It had made up its own result. [25:35] 我们会教你怎么识别这种情况,以及怎么设置才能避免再发生 So, we will show you how to spot that, and how to set things up so it doesn't happen again. [25:41] 第二,你在 AI Builder Space 上搭建,这是学员平台 And second, you build on our AI Builder Space, our platforms for students. [25:46] 一个 API key 就能用模型、语音识别、图像和搜索 One API key would give you models, speech recognition, images, search, [25:50] app 做好后部署成公开链接,可以写进简历 and when your app works, you deploy to a public link so you can put on your resume. [25:55] 接入工作由你的 coding agent 替你完成 Your coding agent wires up for you. [25:58] 第三,毕业项目。你从工作或生活中挑一个问题 And third, your capstone. You pick a problem from your own work or life, [26:03] 围绕它做一个应用,过程中我们会给反馈 and build an application around it, with feedbacks from us along the way. [26:07] 我来讲讲其中一个 And let me tell you about this one. [26:09] 我们有位学员 Ye,是经济学家 So, one of our students, Ye, is an economist. [26:13] 她会写代码分析数据,但从没做过软件 She writes code to analyze data, but she has never built software. [26:17] 她的祖母听力受损,听力测试显示 Her grandmother has hearing loss, and a hearing test showed that, oh, [26:21] 她只能听到低频。陷阱就在这里 she can only hear low frequencies. And here's the trap. [26:24] 跟听力不好的人说话时,你会自然地提高音量 When you talk to someone who's hard of hearing, you naturally raise your voice, [26:29] 音调也会跟着升高,结果反而更糟 and your pitch will also go up, which actually makes it worse. [26:33] 你能把音量降下来,但很难把音调降下来 You can lower your volume, but it's very hard for you to lower the pitch. [26:38] 所以 Ye 想要一个 app:你对它说话,它用低沉的声音放出来 So, Ye wanted an app, like you talk to it and it plays your words back in a low voice. [26:45] 她去问 AI,AI 上来就是大动作:语音模型、声音克隆 So she asked the AI, and it went for the big moves like speech models, voice cloning, [26:50] 每家公司都推荐自家产品 every company recommending its own product. [26:52] 几个小时过去,还是什么都没成 And hours later, still, nothing worked. [26:55] 她来找我们,我的建议是:这事其实用不着 LLM So, she comes to us, and my advice was, you actually don't need an LLM for this. [27:00] 有个标准的变调技术正好能做这件事 There's a standard pitch shift technique doing exactly this, [27:04] 大概几十行 Python 就够了 and probably in a few dozen lines of Python. [27:07] 结果成功了 And so that worked. [27:08] 她提交了 42 次 commit,部署到 AI Builder Space She came back and with 42 commits and deployed it to AI Builder Space [27:14] 家人现在都在用 and her family is using it. [27:16] 她自己的体会是:真正有价值的是判断力 And her own takeaway was, what's valuable is the judgment. [27:20] 而这种判断力,正是这门课要培养的 And that judgment is exactly what we spent on this course building. [27:24] 下一期马上就要开始了 And the next cohort is about to start. [27:27] 下一期下周一 10 月 12 日开课 Actually, the next cohort starts next Monday, October 12th, [27:31] 开课时报名就截止 and enrollment closes when it opens. [27:33] 第一周你会拿到资料和 Builder Space 的权限 That first week is when you get your materials and your Builder Space access [27:38] 开始阅读,然后 10 月 17 日周六第一次直播 and started reading, then we'll meet live on Saturday, October 17th. [27:43] 第二次直播课在 10 月 25 日,中间有一次可选的答疑 Then second live session is October 25th, with an optional office hour in between, [27:47] 你可以把没跑通的部分带来 where you can bring the parts that didn't work. [27:50] 如果没法参加直播,也有录像 If you can't make a session live, the recording is also there, [27:54] 而直播课只是其中一部分 and the live sessions are only part of it. [27:56] 你还会拿到 200 多页的教材,终身更新 You also get our textbook, more than 200 pages, with lifetime updates. [28:01] 报名一次,以后每个新版本都能拿到 So you enroll once, and you get every future revision. [28:04] 我们其实已经重写过好几次 We have actually already rewritten it several times, [28:07] 现在正在进行又一次重写 and we're in the middle of another one right now. [28:10] 此外,你还能在我们的社区 Stay Superlinear 待一年 And on top of that, you also get a year in our community, Stay Superlinear. [28:15] 这门课已经打磨了 13 期,评分 5.0 We have refined this course over 13 cohorts, and it rated 5.0 from [28:20] 来自 84 个评价。这里能看到几条评价 84 ratings. You can see a few of reviews here [28:24] 来自 OpenAI、Anthropic 等公司的 builder from builders at places like OpenAI and Anthropic, [28:27] 他们反复提到的,是免费课里得不到的部分 and they keep pointing to the part is that you can't get from the free lesson. [28:33] 在有反馈的情况下做出真东西 You build real things with feedback. [28:36] 想加入的话,扫二维码或打开我们贴在 Zoom 聊天里的链接 And if you'd like to join, scan the QR code or open the link, we'll paste in Zoom chat. [28:43] 为了感谢大家参加直播,优惠码 beyond-jev As a thank you note for joining live, the code beyond-jev [28:47] 可以减 200 美元 takes $200 off. [28:48] 链接里已经带上了优惠码 The link already has the code applied, [28:50] 扫二维码就能直接看到折后价 so you will see the discounted price right away if you scan the QR code, [28:54] 后续邮件里也会有 and it will also be in the follow-up email. [28:58] 感谢大家一直听到这里 So, thank you for staying with me. [29:00] 关于 Jev、实验或课程,有什么问题都欢迎提 I'm happy to take any questions about Jev, about the experiments, and about the course. [29:05] 另外,课后请留意一封邮件,里面有幻灯片 And, by the way, after the lesson, look out for an email. It will have the slide deck, [29:09] 录像、开源代码、优惠券和报名链接 the recording, the open source code, your coupon, and the sign-up link.