Jev + Kimi K3 用于欺诈检测！ 简而言之：Jev 在 1.42 秒内对 100 封邮件完成分类，然后我把不确定的案例交给 Kimi K3。完整流程判断正确了 96/100 封，成本只有约 0.07 美元。 视频没有加速，可以看看这次实时运行！ 我的流程如下： 我让 Jev 对 100 封邮件分类，其中 50 封正常、50 封欺诈邮件。它在 1.42 秒内全部分类完成。 Jev 有一个常被低估的功能：给出分类置信度。因此，我把置信度低于 95% 的预测交给 Kimi K3，以进一步确认。 31 封邮件低于这个阈值。转交 Kimi K3 后，组合流程的准确率达到 96%。 完整运行耗时 16 秒，推理费用约 0.07 美元： - 在 @togethercompute 上使用 Kimi K3 花费 0.068 美元。 - 在 @typesafeai 上使用 Jev 花费 0.003 美元（约三分之一美分）。 我认为这是一个很有意思的模式：用 Jev 这样的快速专用模型处理范围明确的任务，再将不确定的情况交给更大的 LLM。 我觉得这种做法可能改变欺诈检测或其他实时场景：利用 Jev 的速度和低成本，同时用更大的 LLM 兜底，以争取较高准确率。
用 Jev 对邮件进行欺诈分类，并将置信度不足的条目交给 Kimi K3 复核；演示同时展示分类、路由和汇总结果。
JEV 做了什么
对邮件作分类判断并返回置信度，让应用按阈值选择是否交给另一模型复核；准确率、耗时和成本为作者自报，本站未复测。
作者明确说明，Jev 负责初次邮件分类及置信度输出；应用将低于 95% 阈值的预测转交 Kimi K3。
还能用在哪？
How2Jev 延伸推演，不代表作者或官方声明。
- 先对客服消息分类，再将不确定的条目交给人工复核。
- 在内容审核中分离高置信度结果与需要进一步判断的样本。
ORIGINAL SOURCE
How2Jev 整理案例，项目与演示归原作者所有。
MORE LIKE THIS
Jevmail 的批量邮件分类客户端
Jevmail 用 Jev 为邮件分类，页面按需要回复、更新、促销等类别呈现结果。演示从开始整理到分类完成，再查看邮件列表与正文。
Switchboard 按编码任务选择模型与力度
Switchboard 在 Codex 和 Claude Code 中替作者选择模型和推理力度。演示分别处理常规与困难任务，终端显示不同配置和代码结果；没有独立验证节省成本的效果。
按请求特征选择模型后再生成答案
作者用 Jev 分类请求并路由到适合模型。演示数学证明和字段提取选择不同模型，正文由目标模型生成；未验证选择是否最优或费用优势。