Jev实测暴露规划短板，社区用它加速MiniMax视频生成

2026-09-22 12:57 0 阅读

Jev的能力边界：快但不会规划

最近关于Jev的讨论热闹起来，有人把它吹上天，也有人拿它和随机数比。结果还真比输了。

一位开发者用Rust写了个迷宫测试：让Jev从起点走到终点。结果Jev卡在拐角反复打转，892步都没出去。换成纯随机策略，不到300毫秒就通关了，总共才走了892步。问题出在Jev的设计逻辑——它只看当前状态做决策，没有回溯或长远规划能力。一旦陷入局部最优，就出不来了。

这其实不奇怪。Jev本质是个轻量级决策模型，适合单步判断，比如游戏里“现在该跳还是该蹲”。但涉及多步推理、路径规划这类任务，它就力不从心了。开发者后来放出代码，建议大家别把它当通用智能体用，而是作为辅助判断模块嵌入已有系统。

有意思的是，同一个人还预告要开源“量子Jev”，号称单次推理只要0.12毫秒，性能是普通Jev的400倍。项目地址已经放出，用MIT协议，不收钱。不过目前只有口号，没看到实际代码或测试数据，大概率是玩梗。毕竟“量子”这个词在AI圈早被用烂了，真要有这性能，早就炸锅了。

虽然Jev不适合复杂任务，但在特定场景下，它的小巧反而成了优势。有开发者尝试把Jev机制用在MiniMax H3的视频生成流程里，目标是减少计算开销。

具体做法是引入“注意力稀疏化”——不是所有像素点都需要同等关注，Jev帮忙判断哪些区域可以降低计算精度。测试在RTX 4070上进行，原本生成一段视频要6分7秒，优化后降到3分34秒，耗时减少41.7%。

不过画质有没有损失？目前还没详细对比。开发者自己也说这只是社区实验，离正式集成还远。但思路值得参考：与其堆大模型，不如用小模型做“调度员”，动态分配算力。尤其对消费级显卡用户来说，这种轻量化优化可能比等下一代GPU更实际。

MiniMax官方还没回应这个方案，但H3本身主打视频生成，如果真能稳定提速而不损画质，说不定会考虑吸收进后续版本。毕竟现在用户最抱怨的就是生成太慢、显存不够。

另一边，百度旗下的AI助手Kooko交出了首年成绩单：覆盖近200个国家，用户超过1000万。这个数字不算夸张，但考虑到它是国际版（原名Ore），主要面向海外，能在一年内做到这个规模，说明产品定位抓得准。

Kooko的核心功能围绕办公场景：研究资料整理、数据分析、文档和PPT生成。它内置了Office编辑器，还能记住用户之前的项目，下次打开自动延续上下文。比如你上周写了一半的市场报告，这周回来它还记得结构和数据源，不用重新导入。

这种“记忆+生产力”组合，正好切中海外知识工作者的痛点。很多竞品要么只能聊天，要么生成完就断联。Kooko把工作流串起来了，虽然功能不算新，但整合得顺手。不过1000万用户里有多少是活跃付费的？百度没提。按行业惯例，免费用户占大头，真正变现还得看后续的高级功能设计。

开源模型圈也有新动静。一个叫Gewell的项目开始为NVIDIA最新的Blackwell GPU优化Gemma 4 31B的推理。重点不是单次速度，而是高并发和特定工作负载下的稳定性。

Blackwell架构刚发布不久，很多推理框架还没适配。Gewell团队提前动手，目标是让Gemma 4 31B能在本地或小规模集群上跑得更稳。比如同时处理几十个请求时，显存分配和计算调度更高效。项目还在早期，GitHub上代码不多，但方向明确：别再只盯着A100/H100了，新硬件得有人先趟路。

这对想自建推理服务的团队是个好消息。Gemma系列本来就是谷歌主推的开源路线，31B参数量在效果和成本之间找了个平衡点。如果Gewell真能榨干Blackwell的性能，本地部署的成本还能再降一截。

a16z最近发了份报告，戳破了AI应用市场的泡沫。2025年2月之后，iOS每月新增AI应用从3万涨到12万，Chrome插件也突破2万。看起来一片繁荣，但收入增长却集中在头部几个产品。

很多成熟品类，比如写作助手、图像生成，用户量没涨，收入反而下滑。原因很简单：供给太多，同质化严重。十个应用干同样的事，用户只愿意为最好的那个付钱。结果就是“赢家通吃”，长尾应用靠免费撑着，根本活不下去。

这种分化其实在预料之中。技术门槛降低后，人人都能做个AI壳子，但产品力、运营、渠道才是决胜关键。a16z建议创业者别再扎堆做通用工具，而是找垂直场景，比如法律、医疗、教育里的具体痛点。那里竞争少，付费意愿强，哪怕用户量不大，也能活得不错。

ElevenLabs的做法更狠。他们学Palantir的FDE（Field Development Engineer）模式，直接派工程师驻场大客户，现场解决问题。比如某媒体公司要用AI生成播客，ElevenLabs的人就过去调音色、改节奏、对接内部系统。

这些经验不是白干的。工程师回来就把通用需求抽象成新功能，比如“多人对话语音分离”“背景噪音智能抑制”。大客户成了免费的产品试验田，ElevenLabs则快速迭代出行业解决方案。现在他们的企业版功能，很多都来自这种驻场反馈。

这种模式成本高，只适合有技术深度的公司。但好处是产品和市场贴得极紧，不会闭门造车。对AI公司来说，早期最难的是找到真实需求，而FDE等于把需求直接送到工程师面前。

最后提个国产好消息。OceanBase团队提交的数据智能体方案，在国际Data Agent Benchmark上拿了第一。这个榜单专门评测数据库如何与AI智能体协作，比如自动写SQL、分析查询瓶颈、推荐索引优化。

OceanBase的方案展示了国产数据库在智能化方向的能力。不过具体领先多少，还得看榜单的评测标准和参与队伍。如果只是小范围测试，含金量有限；如果是主流厂商都参与的公开竞赛，那意义就大了。

无论如何，数据库+AI是确定性趋势。传统DBA不可能懂所有业务逻辑，让智能体辅助决策，既能提效又能降低门槛。OceanBase这次露脸，至少说明国内团队没掉队。