Show HN：Jev 玩《宝可梦红》
一个 AI 演示展示了名为 Jev 的轻量级“系统一”模型，通过一个高度工程化的 harness 来玩通《宝可梦红》：该 harness 负责路径规划和高层目标，而 Jev 只在关键时刻做快速、低成本的决策。观众觉得结果很有趣，但也指出 Jev 经常做出糟糕或循环往复的选择，因此引发了关于它到底有多智能、以及多少是脚本化支撑在起作用的讨论。这个项目被视为超低延迟、低成本决策模型用于自动化的早期一瞥，许多人认为把这类模型与更慢、更强大的 LLM 结合，可能会是一种更强大、更通用的方案。
演示设置与脚手架设计
- Jev 通过一个直接连接到 ROM 的 TypeScript “harness” 控制《宝可梦红》，而不只是原始按键输入。
- 该 harness 提供更高层级的动作（例如移动到坐标、沿路径行走、从菜单中选择）以及一系列约 33 个高层目标和子目标来完成游戏。
- 许多逻辑都被硬编码了：路径规划、文本里程碑、选择性上下文，以及一些菜单/道具处理。几位评论者认为，这使它更像是一个脚本化的通关流程，而 Jev 只是一个随机性决策来源。
- 作者明确承认了这种大量引导，并已将代码开源。
性能、延迟与成本
- 这次运行已经拿到至少四个徽章，并深入到了四天王阶段，按最终结果不同，代币成本低于约 0.50 美元到 2 美元。
- Jev 因相较于前沿 LLM 更快、更便宜而受到称赞，使得“交互速度”级别的决策成为可能。
决策质量与局限性
- 观众觉得它有趣、看起来“很放松”，但也指出了频繁的糟糕选择：卡在循环里（门、菜单、火箭队基地）、在 TM/HM 上浪费时间，以及可疑的招式选择（例如忘记关键招式）。
- 它在复杂的多步骤计划上表现吃力（例如正确为四天王做准备并配置资源）。
- 据说，一个没有路径规划或额外上下文的更精简设置，甚至连初始宝可梦都没能拿到。
模型角色：“系统一”分类器
- Jev 被描述为一种快速、低成本、单次决策/分类模型，而不是一个完整的推理代理或 RL 系统。
- 有些人认为它是一个很有前景的“系统一”，可以与更慢的“系统二” LLM 配合，用于规划、升级处理和恢复。
- 另一些人则认为它的能力被过度吹捧，把它类比为花哨的随机数生成器、LLM 之前的游戏 AI，或传统分类器/零样本方法。
更广泛的想法与未来方向
- 有人建议将 Jev 与前沿 LLM 结合，用于高层策略；使用视觉输入来进行通用游戏控制；并将类似的决策模型应用于安全告警分流或制造 SPC 等领域。
- 一些评论者对更广泛的概念感到兴奋：快速、通用、无需训练的决策模型；另一些人则强调，当前的智能水平距离替代领域专用模型或前沿模型仍然很远。