如何花 17 美元训练你自己的 Jev

花 17 美元训一个自己的 Jev

作者：Hassan（@nutlope，Together AI）

一句话：Together AI 开源了一套完整的 recipe，让你能微调出自己的 Jev 类分类模型，并把成本压到 17 美元。

他们同时发布了一个可以直接用的模型：together/Tev1-4B-experimental，基于 Qwen3.5 4B。

一、先说 Jev 到底解决什么问题

作者的定义很干净：

Jev 已经迅速成为 AI 领域最受关注的模型发布之一。它是一个强大的分类模型，既快又极其便宜。

给 Jev 一段状态加上预定义的问题，它会很快返回一个结果——分数、布尔值、或者多选答案。

这类模型有大量真实应用：电商网站评估自动退货、给机器学习论文分类、或者给一段文本打情感分。

二、为什么这件事值得做

定价是关键：自己在 serverless 平台上跑 Tev1，输入 $0.042/1M token，输出免费——和 Jev 官方定价一致。

也就是说，你不用等 TypeSafe 的开权限，也不用绑在它的 API 上，今天就能拥有一个能本地部署、能自己改、成本可控的决策模型。

三、完整步骤

第一步：拿到代码

git clone https://github.com/togethercomputer/tev1

仓库是 MIT 许可，9 月 23 日刚建。

第二步：装依赖

uv sync --locked

第三步：配置 API key

cp .env.example .env

在新建的 .env 里填上你的 TOGETHER_API_KEY。作者特意交代：JEV_MODEL 先别填，留空。

第四步：准备数据

用 Qwen3.5 4B 作为基础模型，配上几个 Hugging Face 上托管的数据集做微调。

第五步：部署

训完之后，你会得到一个部署好的模型，带一个可以直接集成进任何软件的 API 端点。

四、它训出来的模型长什么样

文章给的例子很具体——一个客服工单分类：

客户留言：你好，我查了账单，你们公司对我的 10 月订阅重复扣款了两次。

两笔都是同一天的 19.99 美元。我没有改过套餐。

下列哪个支持意图最匹配这条客户留言？

A. 客户报告被重复扣款。

B. 客户想结束或降级订阅。

C. 客户报告一笔付款失败或被拒。

D. 以上意图都不匹配。

这就是那类「你其实不需要一个会写作文的模型」的任务。 你需要的是一个快速、便宜、每次都给出同一个答案的判断。

五、我的判断

这条最有价值的地方，是把「训一个决策模型」这件听起来很重的事，变成了一份能跟着走的清单。

之前我们写过 Jev 是什么、写过 25 行 Python 复现它的机制、写过有人把开源决策模型做到 4,000 星。这一条补上的是最后一块：如果我想让自己的模型学会我的领域，该怎么做。

三个具体优势：

• 成本可预期：17 美元，不是「看用量」

• 数据不出门：训完可以自己部署，不用把 state 发到第三方

• 可改：Qwen3.5 4B 是开权重，你想怎么调都行

一个要留意的边界：17 美元这个数字依赖 Together 的微调服务定价，是当前价格。而且文章没细说数据集的具体组合和训练超参——要完整复现，得把仓库读一遍。

链接

推文（Hassan / Together AI）：https://x.com/nutlope/status/2102881280115249597

仓库（MIT）：https://github.com/togethercomputer/tev1

模型：https://huggingface.co/together/Tev1-4B-experimental

#Jev #微调 #Agent工程