Jev는 대규모 분류·의사결정 자동화에서 속도와 비용 절감을 겨냥한 모델로 제시됐다.

01핵심 개요

• Jev는 대화나 글쓰기를 위한 모델이 아니라, 입력을 바탕으로 분류·점수·예/아니오 결정을 출력하는 모델로 소개됐다.
• Dogo가 공동 개발한 RLCD는 ‘reinforcement learning for calibrated decisions’의 약자로, 보정된 의사결정 학습 방식으로 설명됐다.
• 1,000개 이메일 7개 규칙 분류에서 Jev는 병렬화 후 6초·9센트였고, Luna는 5분·62센트로 비교됐다.
• Jev는 유튜브 댓글 1,000개를 5초·5센트에 분류했으며, 콘솔상 약 2만 건 요청에 85센트를 사용했다고 밝혔다.
• 작성·요약·주제 발견·심층 분석은 할 수 없으며, 정확도·비용·속도 비교를 위한 골든 데이터셋 평가가 필요하다고 조언했다.

02핵심 주장 / 논점 구조

• Jev는 토큰을 생성하거나 대화하지 않고, 정해진 기준에 따라 빠르게 결정을 내리는 AI로 설명됐다.
• 출력 형태는 예/아니오와 신뢰도, 여러 선택지 중 하나를 고르는 분류, 척도 기반 점수의 세 종류다.
• 대량 데이터의 사전 분류에는 Jev를 쓰고, 응답 작성이나 심층 분석은 ChatGPT 같은 모델에 넘기는 구성이 제안됐다.
• 실제 운영 전에는 100개 사례와 100개 정답으로 된 골든 데이터셋에서 Jev·Opus·Soul 등을 평가해야 한다고 했다.

03RLCD와 Jev의 결정 출력 방식

• Jev의 학습 방식 RLCD는 ‘reinforcement learning for calibrated decisions’로 소개됐다.
• 지원 티켓 예시에서 긴급 여부는 99% 신뢰도의 예/아니오, 담당 팀은 기술·청구·지원 등의 선택지, 불만도는 점수로 처리됐다.
• 사용자가 판단 기준과 분류 조건을 직접 설정하며, 예/아니오 결정은 ‘뉴’, 단일 선택은 ‘초이스’, 척도 평가는 점수로 구분했다.
• 일반 채팅 모델처럼 추론 결과를 긴 문장으로 출력하지 않고 JSON 형태의 결정값을 반환하는 방식으로 설명됐다.

04속도·비용 비교와 입력 한계

• 영상은 Jev가 다른 모델보다 20~200배 빠르고 40~400배 저렴하며 출력 토큰 비용이 없다는 Dogo의 설명을 인용했다.
• 1,000개 이메일과 7개 규칙 처리에서 Jev는 처음 70초·9센트였고, 병렬화 뒤에는 6초·9센트로 제시됐다.
• 같은 이메일 작업의 Luna 결과는 5분·62센트였으며, 발표자는 이를 Jev 대비 비용 12배·시간 46배라고 비교했다.
• Jev의 입력 컨텍스트 창은 64,000토큰으로, Claude·GPT 계열의 약 100만 토큰보다 작다고 설명했다.

05이메일·댓글·커뮤니티 게시물 분류

• 이메일 분류 항목에는 영수증·인보이스, 브랜드 딜, 사기·피싱, 이메일 유형, 긴급도, 스폰서 적합도가 포함됐다.
• 영수증·인보이스 기준은 청구·결제·지급·실패한 지급을 포함하며, Jev 신뢰도 50% 이상을 예로 들었다.
• 영수증·인보이스 단일 판별에서는 1,000개 이메일 중 237개를 예, 763개를 아니오로 분류했고 4초·5센트가 들었다.
• 유튜브 댓글은 댓글 유형, 답변 가치, 영상 아이디어 여부, 감정, 질문 난도로 분류했고 1,000개 처리에 5초·5센트를 제시했다.
• 학교 커뮤니티 게시물에는 도움 필요 여부, 팀 답변 필요 여부, 이탈 위험, 회원 경험 수준, 추천사 강도 등의 기준을 적용했다.

06실시간 피드·회의·영상 클립 활용

• X 피드용 Chrome 확장 프로그램은 화면에 들어온 게시물을 Jev로 분류해 breaking, golden nuggets, AI slop 라벨을 표시했다.
• 확장 프로그램은 게시물이 화면에 나타날 때 즉시 반응하는 방식으로 시연됐으며, Jev가 백엔드에서 분류를 담당했다.
• Fireflies·Granola 등의 회의 전사본을 통화 유형, 의사결정 여부, 실행 단계로 분류하는 활용안이 제시됐다.
• 회의 데이터에서 담당자·기한이 있는 다음 단계의 부재 등을 기준으로 잡으면, 운영 방식 개선에 활용할 수 있다고 설명했다.
• Astra가 유튜브 영상을 클립으로 나눈 뒤 Jev가 독립 게시 가능성, 훅 강도, 화면 필요 여부, 인용 문구 여부를 판별하는 흐름을 보였다.

07고객 지원·계약·거래 자동화의 적용 범위

• 계약 검토에서는 위험 유형과 조항 유형, 채용·리드에서는 위험 신호·리드 품질·다음 단계를 분류하는 방안이 언급됐다.
• 음성으로 기록한 브레인 덤프를 아이디어·작업·저널로 나누고, 마감일·우선순위·생활 영역을 판단하는 사례도 제시됐다.
• 고객 지원은 이메일 라우팅, 감정, 긴급도, 필요한 조치 등 다수의 결정을 다뤄 Jev의 주요 활용처로 제안됐다.
• 비트코인 페이퍼 트레이딩에서는 매초 상승·하락·불확실성을 예측하고, 신뢰도에 따라 매수·매도 결정을 내리도록 구성했다.
• 해당 거래 예시는 검증되지 않았고 문제점이 많다고 밝혔으며, 수수료가 Jev의 의사결정 비용보다 높다는 한계도 언급했다.

08용어 사전