Jev AI acaba de ser lançado — e…

Autoria: Jack Roberts · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Jev AI Just Dropped, And.… · Canal: Jack Roberts · 11:23 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Inferência e otimização de modelos, Modelos de IA

Resumo

O vídeo apresenta Jev, um modelo voltado a microdecisões rápidas, como classificar, escolher entre opções e atribuir pontuações. O apresentador afirma que Jev é muito mais rápido e barato que modelos como GPT-6 Astra e demonstra usos para filtrar spam, priorizar solicitações, detectar conteúdo gerado por IA e encaminhar tarefas a outros modelos. A proposta é usar Jev junto de modelos mais capazes, em vez de tratá-lo como um modelo de chat ou de raciocínio avançado. O vídeo também ressalta que Jev não deve ser usado quando a tarefa exige raciocínio complexo.

Pontos-chave

Jev é apresentado como um modelo otimizado para microdecisões, não para conversas abertas.
Seus principais tipos de saída são respostas sim/não, seleção entre opções e pontuações.
O apresentador afirma que Jev pode executar determinadas tarefas com maior velocidade e menor custo que GPT-6 Astra.
Entre os exemplos estão filtrar spam e golpes, atribuir responsáveis a e-mails e classificar solicitações de suporte.
Outro uso demonstrado é identificar conteúdo que pareça ter sido escrito por IA, chamado no vídeo de “slop”.
Jev também pode avaliar risco de cancelamento de clientes e encaminhar tarefas ao modelo mais adequado.
A proposta é combinar Jev com modelos mais capazes, que assumem as tarefas que exigem raciocínio mais complexo.
O modelo é acessado pelo OpenRouter, segundo o apresentador.

Capítulos

Início	Capítulo	Resumo
00:00	O que é Jev e como funciona	O apresentador descreve Jev como um modelo rápido e barato que pode responder sim ou não, escolher opções ou atribuir pontuações.
02:34	Classificação de e-mails e solicitações	Demonstrações comparam Jev a GPT-6 Astra em tarefas como detectar spam, identificar responsáveis, avaliar urgência e encaminhar solicitações.
05:41	Detecção de conteúdo gerado por IA	O vídeo mostra o uso de Jev para detectar “slop” e comparar seu custo e velocidade com os de GPT-6 Astra.
08:17	Seleção de referências e encaminhamento de tarefas	Jev é usado para encontrar referências em uma biblioteca de design e para encaminhar tarefas ao modelo mais adequado.
10:52	Quando usar Jev	O apresentador recomenda Jev para decisões quantificáveis e rápidas, mas não para tarefas que exigem raciocínio de nível avançado.

Citações

Ele pode fazer perguntas em paralelo, tudo ao mesmo tempo. — 00:30

A grande economia de tempo está na velocidade e no custo. — 05:41

A ideia não é fazer Jev resolver tudo; Jev é a mão, uma ferramenta para usar com Astra. — 10:22

Não é um modelo de chat. É um modelo otimizado para tomar microdecisões incrivelmente rápidas. — 10:52

Se você conseguir reduzir algo a uma série de decisões e quantificá-las, pode realizar coisas extraordinárias. — 11:23

Conceitos e entidades

Jev (modelo): Modelo apresentado como otimizado para decisões rápidas, classificação, seleção e pontuação.
GPT-6 Astra (modelo): Modelo usado nas demonstrações como comparação e como opção para tarefas mais complexas.
Claude Fable 5.1 (modelo): Modelo citado como parte de uma combinação com Jev para acelerar e reduzir o custo de tarefas.
OpenRouter (ferramenta): Serviço citado como meio de acessar Jev usando uma chave de API.
Type Set (empresa): Empresa que, segundo o apresentador, criou Jev.
Slop Monster (ferramenta): Ferramenta demonstrada para identificar e remover conteúdo considerado “slop”.
Agenty OS (ferramenta): Sistema operacional de agentes mencionado pelo apresentador como ambiente para conectar modelos e executar tarefas.
Jack Roberts (pessoa): Apresentador do vídeo e responsável pelo canal Jack Roberts.

Tradução completa (pt-BR)

00:00 A Jev acabou de ser lançado, e é o modelo mais rápido do mundo, além de ser 400 vezes mais barato que o GPT-6 Astra. É um tipo de IA fundamentalmente diferente, que você precisa entender. E vamos explicar exatamente o que ele é e cinco casos de uso incrivelmente poderosos que você pode usar hoje para ficar anos-luz à frente, mesmo que seja totalmente iniciante. E também quando você definitivamente não deve usá-lo. Agora, a primeira coisa a entender é que ele é significativamente mais barato que os modelos de ponta. Vou mostrar como isso funciona ao longo deste vídeo, daqui a pouco. Agora, seis motivos pelos quais isso realmente importa para nós. Número um: ele oferece

00:30 decisões incrivelmente rápidas. Claro, pessoal, peguem o café. É muito, muito, muito barato — algo superimportante para ter em mente. As saídas dele são 100% gratuitas. Sim, isso mesmo, 100% gratuitas. Ele consegue processar perguntas em paralelo, ou seja, tudo ao mesmo tempo. Também consegue medir o grau de certeza e fornecer uma saída muito específica. Além disso, analisa respostas digitadas. Agora, para entender de verdade como o Jev funciona, ele foi criado pelo “gordo”, um dos cofundadores do ChatGPT, e eles vêm trabalhando em silêncio

01:01 com as portas trancadas e as janelas fechadas há alguns anos, até que o Jev apareceu. Em uma empresa chamada Type Set. É uma forma fundamentalmente diferente de pensar sobre IA. Obviamente, só nos importa o que isso significa na prática e, portanto, o que muda. Basicamente, ele pode fornecer uma saída de três formas diferentes. Pode dar uma resposta simples: sim, faça; não, não faça. Pode apresentar uma opção entre várias, se você fornecer previamente as diferentes alternativas que ele pode escolher. E também pode dar uma pontuação, por exemplo, uma classificação de um a 100, de muitas maneiras diferentes. Essas são três formas como ele pode decidir o que

01:32 fazer. Mas o mais legal é que, quando combinamos o Jev com o GPT-6 Astra e o Claude Fable 5.1, usando algumas regras e uma skill gratuita cuja saída você pode pegar no link abaixo — o segundo link na descrição —, conseguimos turbinar o processo e obter resultados muito mais rápido, com um custo significativamente menor. Com isso, o Jev consegue fazer algumas coisas incríveis. Ele consegue jogar. Pode jogar qualquer coisa, porque tudo o que faz, quadro a quadro, é decidir, entre esses botões diferentes — WASD, que indicam para onde se mover, além de pular —, qual é a decisão mais ideal a tomar. Então, você

02:03 pode usar o Jev para fazer coisas assim, como jogar em tempo real. Por exemplo, pode usá-lo desta forma: ele é extremamente rápido e consegue decidir, com base em vários critérios de classificação diferentes, qual seria a melhor imagem ou a melhor mensagem. Além disso, o que mais você pode fazer? Este é um classificador interno de links, e veja a rapidez com que ele está filtrando tudo. Mas, pessoal, não estou aqui só para mostrar videogames. Estou aqui para mostrar casos de uso reais que vão deixar vocês de queixo caído. Vamos começar com cinco níveis. Vamos passar por caixa de entrada, comunidade e conteúdo de baixa qualidade. Vamos fazer muitas coisas realmente interessantes,

02:34 mas vamos começar pelo nível um. Então, reuni uma tarefa específica. O que vamos fazer aqui é usar comentários do YouTube e uma série de tarefas diferentes. Vou comparar isso com o Astra para mostrar como funciona. Este é um filtro de spam e golpes. Basicamente, o que fazemos é conectar o Jev a, digamos, qualquer coisa, certo? Por exemplo, ao nosso sistema operacional Agenty. Aqui, posso fazer perguntas, ativá-lo e ver tudo o que eu quiser. Ou posso simplesmente conectá-lo ao ChatGPT ou ao Claude, se quiser. Agora, o que fiz aqui foi fornecer 20 e-mails diferentes,

03:06 alguns são golpes e outros são spam, e vocês vão ver como eles identificam isso rapidamente. Vou executar os dois modelos. Podemos ver o tempo aqui. Vejam a rapidez do Jev. Ele concluiu em 3,41 segundos. O Astra levou… bom, ainda vai ser rápido. E coloquei as pontuações aqui para podermos identificar. 9,93 segundos. Então, foi três vezes mais rápido. E, se olharmos o custo do Jev, deu cerca de 1 centavo. Certo, ele terminou três vezes mais rápido. E, no caso do Astra, foi significativamente mais caro. Digamos que custaria 1 centavo se você fizesse isso com

03:36 1.000 e-mails. E, para mais de 1.000 e-mails com o Astra, o custo ficaria um pouco abaixo de 5 dólares. Vamos dar uma olhada neste aqui. Este é sobre responsabilidade. Mais uma vez, vamos executar os dois modelos e ver como se saem. Basicamente, a tarefa é analisar meus e-mails e identificar quem deve ficar responsável por cada coisa. De novo, o Jev é significativamente mais rápido e, mais uma vez, tem uma pontuação perfeita. Com o Jev, teria custado 2 centavos; com o Astra, 7 dólares e 50 centavos. Vocês entenderam a ideia. Há opções para urgência e para identificar pessoas. Um bom sinal de compra. E vejam só como é rápido, pessoal: 2,57 segundos para mais de 1.000 e-mails,

04:09 o que vai custar 1 centavo. O que dá para comprar com 1 centavo? E, mais uma vez, o Astra levou 10,31 segundos. O ponto é que agora podemos simplesmente conectar o Astra e dar a ele mãos. Basicamente, com a skill que criei, basta fornecê-la ao Astra e, quando uma tarefa puder ser feita pelo Jev, conseguimos executá-la significativamente mais rápido e por um preço muito menor. Isso nos leva ao nível dois. Por exemplo, em um ambiente com clientes, será que ele conseguiria identificar, não sei, a partir de uma publicação de um membro, exatamente o risco de essa pessoa cancelar com base no que

04:40 ela está dizendo? Digamos, por exemplo, que você tenha um CRM com os dados dos seus clientes e queira fornecer a ele muitos dados diferentes e insights. Ele poderia calcular uma pontuação sobre a probabilidade de alguém sair, de um funcionário pedir demissão, ou qualquer outra coisa que você queira. Então, isto aqui é um risco de cancelamento. Dei a ele várias informações, como: “Ei, lancei minha primeira automação.” Esta é uma mensagem. E ele vai identificar rapidamente qual é a probabilidade. Tudo isso é fictício e, mais uma vez, foi feito em 2,82 segundos, por um custo significativamente menor. Você pode fazer a mesma coisa com formulários de admissão de membros, encaminhamento de solicitações de suporte,

05:11 qualquer coisa que você quiser. Como podem ver, estamos encaminhando a solicitação certa para a fila certa. As pessoas enviam mensagens e fazem perguntas. Digamos que precisamos fazer a triagem e dizer: “Ótimo. Esta é uma pergunta sobre cobrança. Esta é uma pergunta sobre acesso. Esta é uma questão técnica.” Podemos usar o Jev e o Astra juntos para resolver isso. O mesmo vale para formulários de admissão, certo? Legal, quero criar algo útil. Qual é o objetivo da pessoa? Ela é vaga? Está desenvolvendo algo? Quer clientes? Mais uma vez, o Jev pode fazer isso por você na hora. E, de novo, a grande economia de tempo, pessoal, vem da velocidade e do custo. É basicamente isso.

05:41 Velocidade e custo. E o motivo de funcionar assim é que o Astra e outros modelos parecidos, como o Claude e qualquer outro, foram projetados para fornecer palavras. O Jev não fornece linguagem dessa forma. Ele não foi otimizado para isso, e é por isso que consegue fazer as coisas de um jeito completamente diferente. Agora, o nível três é totalmente diferente. Trata-se da capacidade de identificar conteúdo de baixa qualidade gerado por IA. E, aliás, se estiverem se perguntando, o Jev está disponível pelo OpenRouter. Então, basta dizer o que fazer. Você fornece a chave do OpenRouter, e ele pode chamar o Jev sempre que quiser. Na prática, é assim que você

06:12 vai usá-lo. A menos que você esteja fazendo algo assim, em que tem, digamos, um sistema operacional agêntico e está fazendo perguntas, posso descer e conversar. E, se você simplesmente descer, é grátis; o link está abaixo. É só passar isso para Astra ou Claude e, basicamente, ele vai dizer quando você deve usar Jev, quando não deve, e basta fornecer sua chave de API para ficar totalmente conectado. Então, vamos testar de verdade a capacidade dele de identificar conteúdo de baixa qualidade. Esse é um dos meus casos de uso favoritos, então veja este exemplo. Esse cara criou um detector de conteúdo de baixa qualidade em tempo real. Você sabe que o LinkedIn está sendo tomado por conteúdo de baixa qualidade, certo? Pois bem, ele vai percorrer o Twitter, e você pode dizer: “Ótimo. Se identificar algo que

06:43 pareça ter sido escrito pelo Claude Claude 5.1, basta adicionar “conteúdo de baixa qualidade” e removê-lo do meu feed.” Você poderia fazer isso com anúncios. E a razão pela qual isso é tão revolucionário é que ele consegue fazer isso num ritmo que nenhum outro modelo consegue, em termos de velocidade, e custa muito pouco. Quando você torna algo muito barato e muito rápido, realmente desbloqueia novos casos de uso como esse. Então, você pode simplesmente dizer: “Ei, isso foi escrito por uma pessoa? Se foi, mantenha. Se não, remova na mesma hora.” Por exemplo, podemos identificar aqui se algo é conteúdo de baixa qualidade ou não. Você pode usar isso para identificar textos de IA e tudo mais. Então, estou usando o Slop

07:14 Monster, que é o que eu criei para se livrar disso. É grátis e está disponível publicamente no link abaixo. Foi criado com base nos melhores detectores de conteúdo de baixa qualidade, com alguns recursos extras para deixá-lo bem legal. Então, vamos ver os custos ilustrativos. Para Astra fazer isso, custa US$ 15. Jev custa 4 centavos, o que é absurdo. Estamos analisando palavras, frases, pontuação, ritmo e provas. Vamos ver se ele consegue identificar conteúdo de baixa qualidade, certo? Dei a ele o mesmo texto. Vamos executar essa comparação rapidinho e ver. Olha só. Identifica como conteúdo de baixa qualidade. E ele identificou corretamente a cadência da pontuação e chegou a essa conclusão usando meu framework de slopologia, certo? E

07:46 fez isso em uma velocidade impressionante. Vamos dar outro exemplo. Acho que aqui tem outro exemplo. Vamos executar essa comparação. Viu? De novo, identifica como conteúdo de baixa qualidade. Depois, podemos testar se foi escrito por uma pessoa ou por uma IA. Vamos ver se esse aqui funciona. E, de novo, podemos tentar mais uma vez. Como você pode ver, provavelmente foi criado com assistência de IA. O próprio Astra não consegue dizer isso. Então, esse é outro caso de uso muito legal. Digamos que você tenha um site. Vou colocar isto aqui no meu Agenty OS por um instante, certo? Este site aqui foi criado com GPT-6 Astra. Agora, digamos que você esteja fazendo isso para um cliente. Talvez queira fazer

08:17 coisas diferentes. Você pode editar. Pode fazer o que quiser aqui. Mas digamos, por exemplo, que você tenha esta biblioteca de designs e um briefing. E quiséssemos identificar, certo, eu alimentei este sistema com mais de 300 sistemas de design e estou basicamente avaliando a capacidade dele de identificar qual seria o melhor. Vamos executar a comparação e conferir. Podemos escolher qualquer um dos níveis de raciocínio do Astra. Vou usar o médio só para ser justo. De novo, nem estou usando o extra alto. Bam, encontrou um imediatamente entre as diferentes referências. Percorreu mais de 300 páginas. Isso custaria apenas US$ 1,94

08:48 se você fizesse mil; já o Astra, por exemplo, cobraria US$ 500 para fazer a mesma coisa, o que é absurdo. Vou dar outro exemplo rápido. Se eu pesquisar “portfólio de estúdio”, certo? Agora, executo a comparação. Vamos ver o que Jev faz. Jev encontrou. E vamos ver o que Astra faz. Jev encontrou no segundo. Ridículo. Astra ainda está processando. E olha, encontrou exatamente a mesma coisa. E, se você observar a diferença: US$ 1,95 por mil, contra US$ 500. Você entendeu. Poderíamos usar o próprio Jev para classificar qualquer coisa que você quiser. Mas, se tudo isso parece, pessoal, que

09:18 estou falando espanhol de design, vou deixar abaixo um link para minha masterclass completa de Claude Code e Astra. Você terá acesso completo a todo o meu sistema operacional Agentyc, além de todos os meus cursos sobre como aprender essa tecnologia, construir esse sistema, criar sites bonitos e usá-la para ficar anos-luz à frente de todo mundo. Vou deixar um link abaixo antes que seus concorrentes aproveitem. Por exemplo, se a tarefa for simples e direta, ela vai para um modelo leve. Se forem tarefas gerais com um pouco mais de contexto, enviamos para um modelo equilibrado, como Opus 5 ou 5.1, algo assim. Mas, se

09:49 precisar de raciocínio complexo, podemos enviá-la para o Frontier. Bem, podemos colocar o Dr. Jev no meio disso. Quando ele conseguiu o doutorado? Em algum momento entre o começo e esta parte do vídeo. Agora, veja só. O que fiz aqui, por exemplo, foi fornecer uma consulta. Vamos executá-la e ver, basicamente, quais modelos ele classificaria e para quais encaminharia. Como você pode ver, ele identificou. E, se olharem, pessoal, é exatamente a mesma coisa, porque o que fiz foi basicamente adicionar uma descrição. Coloquei todos os modelos aqui embaixo, estão vendo? GPT Astra 6, Gemini 3.5 Flash, Can be K3, e todos tinham uma espécie de instrução breve sobre como encaminhar para este

10:22 modelo nessas circunstâncias. E vocês vão notar que ele fez exatamente isso para nós, perfeitamente e na mesma ordem. É realmente impressionante. Vamos dar outro exemplo. Um pacote de pesquisa de vídeo de 650 mil. Vou executá-lo de novo. Vamos ver a rapidez de Jev. De novo, menos de meio segundo. Astra está percorrendo tudo. A ideia aqui não é fazer Jev resolver nada. O que estou demonstrando é que o próprio Jev é a mão. É uma ferramenta que vamos usar com Astra. E, quando você fornecer esse prompt, vai conseguir configurá-la. Agora, quanto à inteligência de Jev, e isso é muito importante entender, ele é mais ou menos tão

10:52 inteligente quanto um Sonnet 5. Então, é inteligente. É bem inteligente. Não está no nível Frontier, mas não é para isso que vamos usá-lo. Queremos usá-lo nos casos em que, e esta é uma distinção importante, pessoal, se trata de uma destas três coisas: quando há uma resposta de sim ou não, quando ele pode escolher uma opção e quando há uma pontuação. Você poderia usar qualquer modelo que quisesse para isso. O que estamos dizendo é que ele é significativamente mais rápido e significativamente mais barato. Não é um modelo de chat. É um modelo otimizado para tomar microdecisões incrivelmente rápidas. E as pessoas estão

11:23 explodindo de criatividade com isso. Como vocês podem ver, as pessoas estão gerando interfaces muito rapidamente. Basicamente, o único limite é a imaginação. Mas o que eu diria a vocês é simplesmente isto: se conseguirem reduzir qualquer coisa a uma série de decisões e quantificar essas decisões, poderão realizar coisas realmente espetaculares. Mas isso leva a uma pergunta interessante. E é isso. Velocidade e preço são uma coisa, mas capacidade é algo completamente diferente. Por isso, a próxima coisa que precisamos fazer é aprender a multiplicar sua capacidade por 10 assistindo juntos a este vídeo aqui.

Transcrição original

[00:00] Jeff just dropped, and it is the world’s fastest model and 400 times cheaper than GPT-6 Astra. It is a fundamentally different type of AI that you need to understand. And we’re going to cover exactly what it is and five incredibly powerful use cases that you can use today to get light-years ahead, even if you’re completely beginner. And also, when you definitely shouldn’t use it. Now, first thing to understand is that it is significantly cheaper than the frontier models. I’ll show you what that looks like in a second throughout this video. Now, six reasons why we actually care about this. Number one, it gives

[00:30] you unbelievably fast decisions. Of course, guys, grab the coffee. Very, very, very cheap, super important to bear in mind. Its outputs are 100% free. Yeah, exactly, 100% free. It can do parallel questions, so everything at the same time. It can actually also measure certainty, as well as give you a a very specific output. And also, it looks at typed answers. Now, to really understand how Jeff actually works, it was created by the fat one of the co-founders of ChatGPT, and they’ve been building in silence

[01:01] with the doors locked and the windows closed for a couple of years, and then Jeff popped out. In a company called Type Set. It’s a fundamentally different way of thinking about AI. Obviously, we only care about what does it actually mean, and therefore, what changes. Now, essentially, it can give you an output in three different ways. It can give you a very simple yes, do it, no, don’t do it. It can give you a choice, so if you preload it with different things that it could choose from. And it can also give you a score, so a rank from one to 100 in many different ways. So, these are three ways that it can decide what to

[01:32] do. But, the cool thing here is that when we combine it with GPT-6 Astra, with Claude Fable 5.1, and Jeff, by using some rules and a free skill output down below you can grab completely for free, it’ll be the second link in the description, we can effectively supercharge, get results way faster, that are going to be significantly cheaper. Now, with this, Jeff can do some crazy stuff. It can play games. It can play anything, cuz all it’s doing frame by frame is deciding of from these different buttons, WASD, which is where to move and also jump, what is the most optimum decision for me to make. So, you

[02:03] can use Jev to do anything like this, like play games in real time. You can, for example, use it something like this where it’s lightning fast, where it can actually, based on many different classifying criteria, decide what the best image would be or what the best message would be. Now, on top of that, what else can you do? This is an internal link dealer and look at how fast it’s actually filtering it through. But, guys, I’m not here just to show you video games. I’m here to show you real-life use cases that are going to blow your mind. Now, let’s kick off with five levels. We’re going to go from inbox, community, slop. We’re going to do loads of really interesting stuff,

[02:34] but let’s begin with level one. So, I pulled together a specific task. And what we’re going to do here is we’re going to have YouTube comments and we’re going to have a series of different tasks. I’m going to compare this with Astra to show you how this works. So, this is a spam and scam filter. So, effectively, what we do is connect Jev to, let’s say, it could be anything, right? It could be, for example, our Agenty operating system. Here, I can ask questions, power up, and see everything I want to. Or, I could just literally connect it to ChatGPT or Claude if I wanted to. Now, what I’m going to do here I’ve given it 20 different emails,

[03:06] and some are scams and some are spam, and you’re going to see how quickly they’re identifying that. Going to run both models. We can see the time here. Look how fast Jev is going. That was completed in 3.41 seconds. Astra, it took, well, it’s still going to be fast. And I put the scores here so we can identify it. 9.93 seconds. So, it was three times faster. And if we look at the cost for Jev, that was about 1 cent. Okay, so it finished three times faster. And for Astra, that was significantly more expensive. I want to say about it, it’s 1 cent if you were to do this over

[03:36] 1,000 emails. And over 1,000 emails for Astra, you’re looking at just under $5. Let’s take a look at this one. This is ownership. Again, let’s run both models and see how it does that. This one is essentially saying go through my emails and identify who should own what. Again, Jev is just significantly faster and it has, once again a perfect score. It would have cost you 2 cents with Jev and 7 and 1/2 dollars with Astra. You get the idea. They’ve got ones for urgency, got ones can I identify them. Good buying signal. And look at how fast that is, guys. 2.57 seconds over 1,000 emails

[04:09] that will cost you a cent. What can you buy with a cent? And again, Astra comes in at 10 seconds and 31. So, the point here is that we can actually now just connect and give Astra hands. So, essentially with the skill that I built, we just give it to Astra and effectively when that task could be done by Jev, we can do it significantly faster and at a way cheaper rate. Which takes us nicely onto level two. So, could it for example in a customer environment, could it identify, I don’t know, uh from a member post exactly how risky they are potentially churning based on what

[04:40] they’re saying. So, say for example you have a CRM with your client and you want to give it loads of data, loads of different data and insights. It could actually calculate a score about how likely it is that an individual is going to leave, that employee is going to hand in a resignation, anything that you want to. So, this here is a churn risk. I’ve given it loads of stuff like, “Hey, I got my first automation ship.” This is a message. And it’s just going to quickly identify how likely it is. So, this is all fictitious stuff and again, it was done in 2.82 seconds and significantly cheaper. You can do the same thing with member intakes, with support routing,

[05:11] anything that you want to. You can see effectively we’re getting the right ticket to the right queue. So, we have people dropping messages, asking questions. And let’s just say that we need to triage this and say, “Hey, great. Uh this is a billing question. This is an access question. This is a tech question.” We can use Jev and Astra together to go ahead and solve that. Same with intake forms, right? It’s cool. I want to build something useful. What’s their goal? Are they vague? Are they building? Do they want clients? And again, Jev can do that for you straight away. And again, the big time saver guys is speed and cost. That’s basically it.

[05:41] Speed and cost. And the reason why it works this way is because Astra and other models like it, like anything else, like Claude, have been designed to give you words. Now, Jev doesn’t give you language like that. It’s not been optimized in that way, hence why it can do things in a completely different way. Now, level three is a completely different one. This is going to be the ability for it to identify AI slop. And by the way, if you’re wondering, Jev is accessible via OpenRouter. So, all we’re going to do is just ask what to do that. You give it your OpenRouter key, and it can call Jev effectively whenever you want to. That practically is how you’re

[06:12] going to use it. Unless you’re doing something like this, where you have say an agentic operating system, and you’re asking questions, I can come down and have a conversation. And if you just come down, this is free, link down below. Just give this over to Astra or Claude, and effectively it tells you when you should bring in Jev, when not, and just give it your API key, and then you’ll be fully connected. So, let’s actually test its ability to identify slop. Now, this is one of my favorite use cases, so check this one out, for example. This guy built a real-time slop detector. So, you know about LinkedIn being overtaken by slop a little bit, right? Well, this will scroll through Twitter, and you can actually say, “Great. If you identify anything that

[06:43] sounds like it was written by Claude Claude 5.1, just add slop and remove it from my feed.” You could do this for ads. And the reason why this is so revolutionary is cuz it can do it at a rate that no other model can, in terms of its speed, and it’s so cheap to do that. Now, when you make something very cheap and very fast, you genuinely unlock new use cases like this. So, you could just say, “Hey, has this been written by a person? If so, keep it. If not, get rid of it at the same time.” So, for example, what we can do here is identify if something is slop or not. You could do this to identify AI text and everything. So, I’m using the Slop

[07:14] Monster, which is get rid of that I built. It’s free, the public down below. It’s like built off all the best slop detectors with some additional bells and whistles to make it really cool. So, what we’re going to do here is let’s look at illustrative costs. Now, for Astra to do this, you’re looking at $15. Jev is 4 cents, which is crazy. We’re looking at words, phrases, punctuation, rhythm, and proof. So, let’s see if it can identify slop, okay? I’ve given it a same text. Let’s run this comparison real quick and see. Look at this. Reads as slop. And it it correctly identified the punctuation cadence and it came down using my slopology framework, okay? And

[07:46] it did it at lightning fast speed. Let’s give it another example. I guess it here’s another one for example. Let’s run this comparison. See, again, roots of slop. Then we come down and test whether or not it’s written by human or was it written by an AI? Let’s go ahead and see if this one works there. And again, we can try this one more time. And as you can see, it’s likely AI assisted. Astra itself can’t tell you. So this is another really cool use case. Let’s say that you have a website. I’m just going to throw this in here to my Agenty OS for a second, right? This website here we built with GPT-6 Astra. Now let’s say that you’re doing this for a client. Maybe you want to go ahead and

[08:17] do different things. You can edit it. Whatever you want to do here is fine. But let’s say for example, you have this design library and we have a brief. And we wanted to identify, okay, I fed this guy’s over 300 design systems and I’m basically assessing their ability to identify what the best one would be. Well, let’s run the comparison and check. And we can pick any of the Astra reasoning. I’m going with medium just to keep it fair. Um again, I’m not even going extra high. Bam, it’s found one immediately off the different references. It’s gone through over 300 pages. That would only cost you $1.94

[08:48] if you did a thousand, whereas Astra for example, $500 to do the same thing, which is crazy. Let me give you another brief example. If I do studio portfolio, okay? Now I run the comparison. Let’s see what Jev does. Jev found it. And let’s see what Astra does. Jev found it the second. Ridiculous. Astra is still going. And look, it found the exact same thing. And if you look at the difference, um $1.95 per thousand and $500. You get the idea. We could use Jev itself to classify anything you want. But if this all sounds, guys, like

[09:18] I’m speaking design Spanish, I’m going to put a link down below for you to my full uh Claude code and Astra masterclass. You get full access to my entire Agentyc operating system as well as my entire courses on learning this technology, building their system, building beautiful websites, how to use it to get lightyears ahead of everybody else. I’ll put a link down below before your competitors actually grab it. Say for example, if it just needs simple and straightforward tasks, it goes to a light model. If it’s general tasks with a little more context, we send it to a balanced model like an Opus 5 or 5.1, something like that. But then if it

[09:49] needs complex reasoning, we can send it to Frontier. Well, what we can do is add Dr. Jev in the middle of it. When did he get his doctorate? Somewhere between the beginning and this part of the video. Now, check this out. What I’ve done here for example is I’ve given a a query. We’re going to run it and we’re going to see basically which models it would rank it and push it through to. As you can see, it’s identified. And if you look, guys, the exact same cuz what I did with this is I basically added a bit of a description. I added all the models down here, you see? GPT Astra 6, uh Gemini 3.5 Flash, Can be K3, and all of them had a kind of a brief like route to this

[10:22] model under these circumstances. And you will notice that it did that exact thing for us in the exact same order perfectly. It’s it’s really crazy. Let’s give another example. A 650K video research pack. I’ll run it again. Let’s see how fast Jev does. Again, under half a second. Astra is going all the way through. Now, the idea here isn’t to have Jev solve anything. What I’m demonstrating with this is that Jev itself is the hand. It’s a tool that we’re going to use with Astra. And when you give it this prompt, you’ll be able to set that up. Now, in terms of Jev’s intelligence, and this is really important to understand, it’s about as

[10:52] smart as like a Sonnet 5. So, it’s like smart. It’s quite smart. It’s not Frontier level, but we’re not using it for that. So, the times where we do want to use it is whenever, and this is a key distinction, guys, it is one of these three things. Whenever there is a yes/no, whenever it can pick an option, and whenever there’s a score. Now, you could use any of the models you want to for this. What we’re saying here is it’s significantly faster and significantly cheaper. It’s not something that is a chat model. This is a model that’s optimized for making incredibly fast microdecisions. And people are blowing

[11:23] up with their creativity on this. As you can see, people are generating UIs very quickly. Effectively, you’re only really limited by imagination. But what I would say to you is very simply this. If you can actually reduce anything down to a series of decisions, and you can quantify those decisions, you can accomplish some pretty spectacular things. But, it just brings on to an interesting question. And, that’s it. Speed and price are one thing, but capability is something completely different, which is why the next thing we need to do is learn how to 10x your capability by watching this video here together.