O czym jest ten film
- Jev to model przeznaczony przede wszystkim do szybkiego podejmowania prostych decyzji, a nie do prowadzenia rozmowy.
- Może zwracać odpowiedź „tak” lub „nie”, wybierać spośród podanych możliwości albo przyznawać wynik punktowy.
- Autor porównuje jego szybkość i koszt z GPT-6 Astra na przygotowanych przez siebie przykładach.
- Pokazuje filtrowanie spamu, wykrywanie oszustw i przypisywanie wiadomości do właściwych osób.
- Omawia ocenę ryzyka odejścia klienta oraz kierowanie zgłoszeń do odpowiednich zespołów.
- Demonstruje ocenianie tekstów pod kątem cech treści wygenerowanych przez AI.
- Wykorzystuje Jev do wyboru projektu z biblioteki liczącej ponad 300 systemów projektowych.
- Pokazuje, jak model może kierować zadania do innych modeli AI zależnie od ich trudności.
- Wyjaśnia, że Jev można wywoływać przez OpenRouter i łączyć z szerszym systemem automatyzacji.
- Podkreśla granicę zastosowań: szybkość i niska cena nie zastępują zdolności bardziej zaawansowanych modeli do rozwiązywania trudnych problemów.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Szukaj zadań, które da się sprowadzić do decyzji
Na czym polega: Jev najlepiej pasuje do pytań wymagających odpowiedzi „tak” lub „nie”, wyboru jednej z podanych opcji albo przyznania oceny.
Jak stosować: Przed wdrożeniem zapisz, jakie dokładnie odpowiedzi są dopuszczalne. Przykładowo: „spam”, „oszustwo” lub „zwykła wiadomość”.
Na co uważać: Jeśli zadanie wymaga rozbudowanego wyjaśnienia lub samodzielnego opracowania rozwiązania, taki format odpowiedzi może być zbyt ubogi.
2.Przy dużej liczbie wiadomości liczy się koszt pojedynczej decyzji
Na czym polega: W pokazanych próbach Jev klasyfikował wiadomości szybciej i taniej niż GPT-6 Astra.
Jak stosować: Zacznij od powtarzalnego zadania, takiego jak sortowanie poczty, i porównaj czas oraz koszt obsługi większej partii wiadomości.
Na co uważać: Kwoty i czasy z demonstracji dotyczą konkretnych przykładów autora. Przed wdrożeniem sprawdź je dla własnych danych i ustawień.
3.Oddziel wstępną selekcję od trudniejszych decyzji
Na czym polega: Jev może szybko rozpoznać typ zadania, a następnie przekazać je właściwemu modelowi lub człowiekowi.
Jak stosować: Niech ocenia, czy zapytanie jest proste, wymaga szerszego kontekstu, czy potrzebuje zaawansowanego rozumowania. Dopiero potem skieruj je dalej.
Na co uważać: Błędna klasyfikacja na początku może skierować ważne zadanie do niewłaściwego narzędzia.
4.Kieruj zgłoszenia do właściwych zespołów
Na czym polega: Model może przypisać pytanie klienta do kategorii, na przykład płatności, dostępu do konta lub problemów technicznych.
Jak stosować: Ustal zamkniętą listę kolejek i opis każdej z nich. Następnie sprawdź na przykładach, czy zgłoszenia trafiają do odpowiednich osób.
Na co uważać: Wiadomość może dotyczyć kilku spraw naraz. Warto przewidzieć kategorię wymagającą ręcznego rozpatrzenia.
5.Traktuj ocenę ryzyka odejścia jako sygnał do sprawdzenia
Na czym polega: Na podstawie wpisów członków społeczności lub danych z systemu obsługi klientów Jev może przyznać ocenę prawdopodobieństwa rezygnacji.
Jak stosować: Wykorzystaj wynik do wskazania spraw, którym zespół powinien przyjrzeć się najpierw.
Na co uważać: Punktowa ocena nie wyjaśnia wszystkich przyczyn zachowania klienta. Nie powinna sama przesądzać o sposobie kontaktu z nim.
6.Analizuj formularze przyjęcia według jasno określonych kryteriów
Na czym polega: Autor pokazuje rozróżnianie osób o sprecyzowanym celu, osób dopiero planujących projekt i tych, które szukają klientów.
Jak stosować: Zdefiniuj kategorie odpowiadające rzeczywistym działaniom zespołu, na przykład różnym ścieżkom wprowadzenia nowego klienta.
Na co uważać: Niejasna odpowiedź w formularzu może wynikać z braku informacji, a nie z braku zaangażowania.
7.Oceniaj teksty według cech, a nie jednego wrażenia
Na czym polega: W demonstracji narzędzie szuka w tekstach powtarzalnych sformułowań, charakterystycznej interpunkcji i jednostajnego rytmu.
Jak stosować: Użyj takiej oceny do wyłaniania treści, które warto przeczytać lub zredagować w pierwszej kolejności.
Na co uważać: Ocena podobieństwa do tekstu AI nie dowodzi, kto napisał dany materiał. Autor pokazuje ją jako filtr, nie jako pewny sposób ustalania autorstwa.
8.Wybieraj z dużej biblioteki według opisanego celu
Na czym polega: Jev może wskazać projekt pasujący do briefu spośród wielu wcześniej opisanych propozycji.
Jak stosować: Przygotuj bibliotekę wariantów z czytelnymi opisami i określ, jakie cechy projektu są najważniejsze dla danego zlecenia.
Na co uważać: Wynik zależy od jakości briefu i opisów dostępnych propozycji. Wskazany projekt nadal wymaga oceny w kontekście potrzeb klienta.
9.Łącz Jev z modelami, które wykonają dalszą pracę
Na czym polega: W rozwiązaniu autora Jev podejmuje szybką decyzję, a model taki jak GPT-6 Astra lub Claude realizuje zadanie wymagające dłuższej odpowiedzi.
Jak stosować: Umieść Jev na etapie selekcji, oceniania lub kierowania pracy, a tworzenie treści i złożone rozumowanie powierz odpowiedniemu modelowi.
Na co uważać: Sama zamiana modelu nie upraszcza źle zaprojektowanego procesu. Najpierw trzeba określić, jaką decyzję system ma podjąć i co stanie się później.
10.Sprawdzaj jakość razem z szybkością i ceną
Na czym polega: Autor podkreśla, że szybki i tani model nie musi dorównywać najpotężniejszym modelom w trudnych zadaniach.
Jak stosować: Porównuj rozwiązania na własnym zestawie przykładów, uwzględniając poprawność decyzji, czas i koszt.
Na co uważać: Dobry wynik w krótkiej demonstracji nie gwarantuje równie dobrych rezultatów przy innych danych i bardziej złożonych przypadkach.
Redakcyjne tłumaczenie
Do czego służy Jev
Na rynku pojawił się Jev — model, który według jego twórców jest wyjątkowo szybki, a według przedstawionego przeze mnie porównania może kosztować nawet 400 razy mniej niż GPT-6 Astra. Żeby zrozumieć, dlaczego zwrócił moją uwagę, trzeba najpierw wyjaśnić, czym różni się od modeli, z którymi zwykle rozmawiamy. Pokażę też konkretne zastosowania oraz sytuacje, w których nie warto go używać.
Najważniejsze są szybkość i cena. Jev może podejmować wiele decyzji równolegle, zwracać odpowiedź w ściśle określonej postaci i podawać miarę pewności. Według przedstawionych informacji nie nalicza się opłat za jego odpowiedzi. Nie oznacza to jednak, że każde użycie modelu jest darmowe — w dalszych przykładach pokażę koszty całych operacji.
Model powstał w firmie Type Set, założonej przez jednego ze współtwórców ChatGPT. Prace nad nim trwały przez kilka lat. Dla użytkownika najważniejsze jest jednak to, co potrafi zrobić. Jev może odpowiedzieć „tak” albo „nie”, wybrać jedną z wcześniej podanych możliwości lub przyznać ocenę punktową, na przykład w skali od 1 do 100.
To pozwala połączyć go z modelami takimi jak GPT-6 Astra czy Claude Fable 5.1. Model przeznaczony do rozmowy i rozumowania może wykonywać główne zadanie, a Jev podejmować po drodze szybkie, powtarzalne decyzje. Przygotowałem zestaw reguł do takiego połączenia i udostępniam go pod filmem.
Decyzja po decyzji
Jev może nawet sterować postacią w grze. W każdej kolejnej chwili wybiera jedną z dostępnych czynności: kierunek ruchu albo skok. To seria drobnych decyzji podejmowanych bardzo szybko.
Podobnie można wybierać obraz lub komunikat według wielu kryteriów. Pokazuję również narzędzie dobierające odnośniki wewnętrzne, które szybko przegląda dostępne możliwości. Najciekawsze zastosowania dotyczą jednak codziennej pracy, więc przejdźmy do pięciu grup przykładów.
Poczta: spam, oszustwa i przypisywanie spraw
Na początek przygotowałem zadania związane z wiadomościami. Pierwsze polega na rozpoznawaniu spamu i prób oszustwa. Podaję obu modelom 20 wiadomości i sprawdzam, jak szybko je ocenią.
Jev kończy w 3,41 sekundy, a GPT-6 Astra w 9,93 sekundy. W tej próbie Jev działa więc około trzech razy szybciej. Szacowany koszt oceny tysiąca takich wiadomości wynosi około centa dla Jev i niecałe pięć dolarów dla Astry.
W następnym zadaniu modele mają ustalić, kto powinien zająć się poszczególnymi wiadomościami. Jev ponownie kończy szybciej i uzyskuje pełny wynik w przygotowanym przeze mnie sprawdzianie. Szacowany koszt dla porównywanej liczby wiadomości wynosi dwa centy wobec 7,50 dolara w przypadku Astry.
Można w ten sam sposób oceniać pilność sprawy, rozpoznawać nadawcę albo wychwytywać sygnały, że ktoś jest zainteresowany zakupem. W jednej z prób Jev kończy w 2,57 sekundy, a Astra w 10,31 sekundy. Koszt tysiąca ocen Jev wyniósłby w tym przykładzie około centa.
Nie chodzi o to, by Astra przestała uczestniczyć w pracy. Można wyposażyć ją w narzędzie, które przekaże Jev zadania nadające się do szybkiej klasyfikacji. Wtedy cały proces może działać szybciej i taniej.
Klienci, społeczność i obsługa zgłoszeń
Druga grupa zastosowań dotyczy wiadomości od klientów lub członków społeczności. Załóżmy, że ktoś publikuje wpis, a my chcemy ocenić, czy może wkrótce zrezygnować z usługi. Jeśli w systemie obsługi klientów zgromadziliśmy odpowiednie informacje, model może przyznać takiej osobie ocenę ryzyka odejścia. Podobną zasadę można zastosować do innych ocen, na przykład prawdopodobieństwa rezygnacji pracownika.
Do demonstracji przygotowałem fikcyjne wiadomości członków społeczności. Jedna z nich informuje o ukończeniu pierwszej automatyzacji. Jev ocenia dane w 2,82 sekundy, przy znacznie niższym koszcie niż porównywany model.
Inny przykład to kierowanie zgłoszeń. Ludzie piszą z pytaniami o płatności, dostęp lub problemy techniczne. System powinien ustalić, do której kolejki trafi każda wiadomość. Jev może podjąć tę wstępną decyzję, a Astra pomóc w dalszym rozwiązaniu sprawy.
Podobnie jest z formularzami wypełnianymi przez nowych członków społeczności. Można sprawdzić, czy ktoś ma sprecyzowany cel, dopiero zamierza coś zbudować, czy przede wszystkim szuka klientów. Korzyść w każdym z tych przypadków jest podobna: wiele drobnych ocen można wykonać szybko i niewielkim kosztem.
Wynika to z odmiennego przeznaczenia modeli. Astra, Claude i podobne narzędzia zostały stworzone przede wszystkim do tworzenia odpowiedzi językowych. Jev nie jest nastawiony na prowadzenie długiej rozmowy. Ma sprawnie zwrócić konkretną decyzję.
Wykrywanie tekstów o cechach masowo generowanych treści
Trzecia grupa przykładów dotyczy tego, co nazywam „slopem”: schematycznych treści przypominających masowo generowane teksty AI. Jev jest dostępny przez OpenRouter. W praktyce można podać klucz API, a następnie wywoływać model z własnego narzędzia lub większego systemu. Udostępniony przeze mnie zestaw reguł podpowiada Astrze lub Claude’owi, kiedy skorzystać z Jev.
Ktoś zbudował narzędzie, które podczas przeglądania serwisu społecznościowego rozpoznaje wpisy noszące cechy takiej treści i oznacza je lub usuwa z widoku. Można sobie wyobrazić podobny filtr dla reklam. Szybkość i niski koszt mają tu znaczenie, ponieważ ocena odbywa się przy każdym kolejnym wpisie.
Przygotowałem też własne narzędzie do oceniania tekstów. Sprawdza słowa, powtarzające się zwroty, interpunkcję, rytm zdań i sygnały świadczące o tym, jak powstał materiał. W pokazanym porównaniu szacunkowy koszt zadania wynosi 15 dolarów dla Astry i cztery centy dla Jev.
Podaję obu modelom ten sam tekst. Jev wskazuje cechy, które według przyjętych przeze mnie kryteriów upodabniają go do schematycznej treści, między innymi sposób użycia interpunkcji i rytm zdań. Powtarzam próbę na kolejnych przykładach. Przy jednym z nich wynik sugeruje, że tekst mógł powstać z pomocą AI.
Taki filtr może pomóc zdecydować, co przeczytać lub poprawić. Trzeba jednak pamiętać, że sama ocena cech tekstu nie daje pewności co do jego autorstwa.
Wybór projektu z dużej biblioteki
Kolejny przykład pochodzi z pracy nad stroną internetową. Załóżmy, że mamy brief klienta i bibliotekę ponad 300 systemów projektowych. Chcemy znaleźć propozycję najlepiej pasującą do zlecenia.
Uruchamiam porównanie Jev z Astrą, ustawiając w tej drugiej średni poziom rozumowania. Jev szybko wybiera projekt na podstawie dostępnych opisów. Według przedstawionego przeliczenia tysiąc takich wyborów kosztowałoby 1,94 dolara w Jev i 500 dolarów w Astrze.
Powtarzam próbę dla portfolio studia. Jev ponownie wskazuje propozycję niemal od razu. Astra potrzebuje więcej czasu, po czym wybiera tę samą. W tym przykładzie szacowany koszt tysiąca decyzji wynosi odpowiednio 1,95 dolara i 500 dolarów.
Jev można więc wykorzystać do klasyfikowania lub wybierania spośród wcześniej przygotowanych opcji. Jeśli ktoś chce zobaczyć, jak buduję strony i większy system pracy z AI, odsyłam do kursów oraz materiałów dostępnych pod filmem.
Kierowanie zadań do odpowiedniego modelu
Możemy też zbudować system, który dobiera model do rodzaju zadania. Proste pytanie kierujemy do lekkiego modelu. Zadanie wymagające nieco szerszego kontekstu trafia do modelu pośredniego, a trudny problem — do najbardziej zaawansowanego.
Jev może podejmować decyzję o takim skierowaniu. W przykładzie podaję mu opis zadania oraz listę modeli, z krótką informacją, kiedy używać każdego z nich. Jev ocenia zapytanie i układa modele we właściwej kolejności według podanych przeze mnie reguł.
Następnie sprawdzam obszerny pakiet materiałów do opracowania filmu. Jev klasyfikuje go w mniej niż pół sekundy, podczas gdy Astra nadal analizuje zapytanie. Nie oczekuję tutaj, że Jev sam opracuje cały pakiet. Jego zadaniem jest rozpoznać, gdzie skierować dalszą pracę.
To zasadnicza różnica. Jev pełni rolę narzędzia podejmującego szybkie decyzje w większym procesie. Zadania wymagające długiego rozumowania lub rozbudowanej odpowiedzi nadal powierzamy modelom, które lepiej sobie z nimi radzą.
Kiedy używać Jev, a kiedy sięgnąć po inny model
Jev jest wystarczająco sprawny, by wykonywać wiele użytecznych zadań. Nie stawiałbym go jednak na równi z najmocniejszymi modelami w rozwiązywaniu trudnych problemów. Najlepszy moment, by po niego sięgnąć, pojawia się wtedy, gdy pytanie da się sprowadzić do jednej z trzech postaci: „tak” lub „nie”, wyboru spośród podanych możliwości albo oceny punktowej.
W takich warunkach może działać znacznie szybciej i taniej od modeli używanych do rozmowy. Twórcy narzędzi już eksperymentują z tym podejściem, między innymi przy szybkim tworzeniu interfejsów. Jeśli potrafimy podzielić proces na jasno opisane decyzje i określić sposób ich oceny, otwiera się wiele zastosowań.
Cena i szybkość nie mówią jednak wszystkiego o możliwościach modelu. Jev warto używać tam, gdzie potrzebna jest szybka decyzja. Gdy zadanie wymaga głębszej analizy, trzeba dobrać do niego odpowiednie narzędzie. Temu, jak zwiększać możliwości całego systemu AI, poświęcam kolejny materiał.