基于 Jev —— 一个不会写作、只会判断的模型

Ctrl+F,搜的是意思。

描述你想找的东西——一个谎言、一份思念、一次背叛、一个伏笔。Throughline 会读遍整本书的每一段,标出所有出现的地方。只要一秒左右。

试试

“林黛玉哭泣或流泪” 出自《红楼梦》

2,756 段 · 5.29s · $0.076

第一回共 63 段写到黛玉落泪 —— 打开全书 →第一百二十回

你读的任何东西,都能这样搜。

合同、访谈记录、用户调研、你的小说手稿。文档只保存在这个浏览器里;段落只会发送给 Jev 做判断,Throughline 从不存储。

  • 所有限制责任的条款

    在一份 90 页的合同里

  • 每一次用户提到上手困难

    在 40 份用户访谈里

  • 每一处只讲述、不描写的地方

    在你的小说手稿里

  • 每一个回避问题的回答

    在一份听证会记录里

把文档拖到这里

PDF、EPUB、Word、Markdown 或纯文本 · 最多约 30 万词(中文约 60 万字)

0 字/词

关键词搜索只认字面,聊天机器人只会总结。它们都找不全每一个谎言。

关键词与语义搜索

能找到提到某个话题的段落,却分不清“撒谎”和“谈论撒谎”,也分不清真正的犹豫和“犹豫”这个词。

聊天机器人

把整本书读一遍,然后给你几个例子。大部分地方会漏掉,有时还会引用原文里根本不存在的句子。

Throughline + Jev

对每一段都问一个是非题,全部并行,保留经过校准的概率。找得全、速度快,每一处高亮都是原文。

这原本是最贵的一步。让大语言模型逐段读完《红楼梦》的 2,756 段,要花好几分钟和真金白银。Jev 全部判断完只用了 5.29s,花费 $0.076。

原理

  1. 01

    切分

    把文本切成段落(英文约 120 词,中文约 240 字),不会跨越章节。

  2. 02

    提问

    每一段向 Jev 发一个请求:段落本身,加上每个搜索词对应的一个是非题。

  3. 03

    判断

    Jev 在一次前向计算中回答所有问题,不生成任何文字,只返回校准过的概率。

  4. 04

    绘制

    普通代码把这些数字变成高亮、缩略图和全书线索图。

POST https://api.typesafe.ai/v1/systemone
{
  "model": "jev-latest",
  "state": {
    "book": "《红楼梦》曹雪芹",
    "passage": "黛玉方进入房时,只见两个人搀着
      一位鬓发如银的老母迎上来……
      黛玉也哭个不住。"
  },
  "questions": {
    "lens_0": {
      "type": "noul",
      "instructions": "读者正在这本书中寻找:
        「林黛玉哭泣或流泪」。这段文字是否
        真正符合读者要找的内容?"
    }
  }
}
→ 96 ms
{
  "model": "jev-1.13.0",
  "answers": { "lens_0": { "type": "noul", "noul": 0.97 } }
}

Jev 是 TypeSafe AI 的“System One”模型:它做快速、经过校准的判断,而不是写文章。Throughline 对每一段发一个这样的请求,几十个同时进行,整本书大约一秒就回来了。