号称史上最快量子Jev：单次推理0.12ms，将开源

Google发布的Gemma4系列开放权重模型包含多个版本，选型需结合场景。带"-it"后缀为指令微调版，开箱即用；不带后缀为基座模型，供自行微调。其中，A4B指激活参数量为4B，E4B则采用逐层嵌入技术，以内存换取计算量，优化移动端性能。选型建议：综合性能与速度选26B-A4B；追求最佳代码或任务效果选31B；开发本地全模态应用选E4B；资源受限设备体验可选E2B，但输出质量有限。

作者用 Rust + xoshiro256++ 搭了个与 Jev API 格式相同的纯随机数 server，与 Jev 做迷宫寻路对抗测试，结果纯随机无并发顺序请求 892 步通关、耗时不到 300ms，而 Jev 跑了 2306 步，其中 2295 步困在 （7，4） 拐角的 3 个格子里原地打转直至超时。

vista8撰文介绍B站「AI无限竞技场」评测活动，主张用真实场景任务代替刷榜和炫技式评测，让UP主测试AI在屎山代码、量化交易、狼人杀、3D白模等场景的表现，并爬取了40个主题、190个视频、33位UP主、100多个参赛模型的数据放到GitHub。榜单前三为GPT6-Astra、Fable 5.1、GLM-5.3；karminski转发评价B站总算开窍了。

开发者将开源文本概率分类系统 Laya 移植到 MLX 并做性能优化，推出 laya-mlx，号称比 Jev 快 50 倍，设备内存占用最高 1G。该模型在本地 M3 Max 上以每秒 60 次决策的速度玩贪吃蛇，代码已开源至 GitHub。

针对网传希伯来语申诉可解封账号并可能绕过模型安全层的说法，karminski 用 HuggingFace 公开语料构建三语测试，实测 Fable-5.1 有害内容拒绝率为英语 95.0%、中文 94.4%、希伯来语 95.1%，DeepSeek-V4.1-Flash 达 99.3%-100%，三种语言拒绝率无显著差异。

有人用 Fable-5.1 破解了热敏标签打印机固件，绕过其通过 RFID 检测第三方耗材后降速降质的限制，项目开源在 http://github.com/ThreeDaPrint/niimbot。

Jev 对 K 线本身是欠拟合的，只有当它做到 100% 负相关时才能反着买，而 100% 负相关属于超强泛化、不可能实现，即使每次交易都亏钱也不能算 100% 负相关。此外 70ms 的延迟别说高频交易，连抢火车票都抢不到。

讨论一个很有意思的事情， AI短剧已经红海了， 我的判断依据是红果短剧在8月中旬开始在连播里面插广告了. #AI短剧

Jev 模型放弃传统自回归架构，无法直接输出普通文本，只能按预定义 Schema 做结构化决策输出，例如垃圾短信二分类会返回带概率的 JSON（isSpam true 0.982 / false 0.018）。其真正护城河是 RLCD（校准强化学习），使输出很难出现概率失真，但代价是模型表现刻板、只适合干活。目前仅支持文本输入，复杂场景需把内容转成文本并定义可选动作，模型再自主决策。

Jev 模型放弃传统自回归架构，无法直接输出普通文本，只能做决策并输出结构化 JSON，输入时需定义 Schema 并编译为决策槽位，因此输出不会出错。它目前仅支持文本输入，二分类场景可输出如 isSpam 为 true、概率 0.982 的 JSON；复杂场景下定义好可用动作后模型即可自主决策，如玩杀戮尖塔或看盘。