اگر امروز به دنبال رباتی هستید که با هوش مصنوعی سود شما را در بازار کریپتو یا سهام تضمین کند، داده‌های جدید هشدار می‌دهند که هزینه استنتاج پایین لزوماً به معنای سود بیشتر نیست. طبق گزارش moonthetrain.com، ۱۹ پروژه مالی که از مدل Jev استفاده می‌کردند، در یک حسابرسی جامع در سپتامبر ۲۰۲۶ نتوانستند هیچ برتری سودآوری قابل اندازه‌گیری نسبت به قوانین ساده‌ی معاملاتی نشان دهند. این بررسی نشان داد که اگرچه این مدل سریع و ارزان است، اما به‌طور مداوم در پیش‌بینی قیمت‌ها از خط‌کش‌های (Baselines) ابتدایی شکست می‌خورد.
ربات‌های معاملاتی معمولاً وعده‌های بزرگی برای بازدهی بالا می‌دهند، اما در واقعیت شکاف عمیقی میان نسخه‌های دمو و استراتژی‌های سودآور در دنیای واقعی وجود دارد. این گزارش در حالی منتشر می‌شود که مدل Jev متعلق به شرکت TypeSafe AI به‌دلیل توانایی‌اش در مدیریت داده‌های ساختاریافته JSON و خروجی دادن احتمالات به‌جای متن‌های توصیفی (Prose)، به‌طور ناگهانی در پلتفرم X و گیت‌هاب محبوب شده است.
زمینه و موج محبوبیت Jev
در اواسط سپتامبر ۲۰۲۶، پروژه‌های مبتنی بر Jev به‌شدت در بخش Bookmarkهای کاربران X ترند شدند. این مدل فراتر از امور مالی، تطبیق‌پذیری عجیبی از خود نشان داد؛ از بازی کردن Super Mario از طریق خواندن حافظه RAM شبیه‌ساز گرفته تا اجرای بازی Doom و حتی پرواز دادن یک پهپاد شبیه‌سازی شده از طریق دوربین. حتی یک عامل مرورگر (Browser Agent) ساخته شده با Jev توانست به ۱۹,۹۴۰ ستاره در گیت‌هاب دست یابد. نکته قابل توجه این است که تمام این پروژه‌ها در یک بازه زمانی کوتاه ۱۰ روزه به‌روزرسانی شده بودند.
مدل Jev اساساً برای بهره‌وری حداکثری طراحی شده است. کاربران یک «وضعیت» (State) به صورت JSON و سؤالاتی تایپ‌شده می‌فرستند و مدل در پاسخ، احتمالات را برمی‌گرداند. این جریان داده‌های ساختاریافته برای سیستم‌های معاملاتی ایده‌آل است و هزینه آن با ۰.۰۴۲ دلار به‌ازای هر میلیون توکن ورودی، به‌شدت پایین و رقابتی است.
به نقل از این گزارش، پژوهشگر بین ۲۴ تا ۳۰ سپتامبر ۲۰۲۶، ۱۹ پروژه را تحلیل کرد. تفکیک این پروژه‌ها نشان‌دهنده فقدان شدید کدهای آماده برای محیط عملیاتی (Production-ready) است:
- ۱۲ ربات روی معاملات یا پیش‌بینی قیمت متمرکز بودند که اکثر آن‌ها در حالت Paper Trading (معاملات مجازی) فعالیت می‌کردند.
- ۳ پروژه از Jev برای کارهای مالی غیرمعاملاتی استفاده کردند؛ از جمله دو پروژه برای طبقه‌بندی قصد مشتریان بانکی و یک پروژه برای تحلیل اسناد مالیاتی IRS.
- ۴ پروژه هیچ کد فعال و قابل اجرایی نداشتند؛ شامل دو مخزن (Repo) کاملاً خالی، یک مخزن حذف‌شده و یک سیستم بک‌اند داده که در آن Jev خاموش شده بود.
شکاف عملکردی
در چهار پروژه‌ای که مقایسه‌ی مستقیم و رودررو بین Jev و جایگزین‌های ساده‌تر انجام شده بود، Jev در هیچ موردی نتوانست پیشتاز باشد. برای مثال، در پروژه UditJain2622004/Jev-Trading، در ۱۸ آزمایش روی اسکالپ‌های یک‌دقیقه‌ای سولانا (SOL)، نرخ برد معاملات انتخاب شده توسط Jev حداکثر ۴۵.۷٪ بود؛ در حالی که یک قانون معاملاتی ساده دقیقاً همین عملکرد را ثبت کرد.
در آزمایش sosopop/jev_stock که شامل ۱۲۰ پیش‌بینی برای روز بعد روی سهام هنگ‌کنگ بود، Jev در ۴۵٪ موارد درست پیش‌بینی کرد. اما یک استراتژی ابتدایی که همیشه پیش‌بینی «نزولی» (Down) می‌کرد، با صحت ۵۱.۷٪ از هوش مصنوعی پیشی گرفت. به همین ترتیب، در ۵۰ دموی مالی IslamBaraka90، قوانین ساده در ۴۰ مورد از ۴۷ سناریو بر Jev پیروز شدند و نرخ پیش‌بینی قیمت‌ها بین ۴۲ تا ۵۲ درصد متغیر بود.
جزئیات پروژه‌های معاملاتی
از ۱۲ پروژه مرتبط با معاملات، اکثر آن‌ها در مراحل اولیه یا فازهای تحقیقاتی هستند:
- jarrodwatts/jev-trader (با ۲,۱۹۲ ستاره): هر ۳۰۰ میلی‌ثانیه (در هر بلاک) تصمیم به خرید یا فروش می‌گیرد؛ اما نسخه عمومی آن صرفاً یک اجرای آزمایشی (Dry run) است.
- aowang-ai/jev-trade (با ۱۲۷ ستاره): هر ۲ ثانیه در شبکه تست (Testnet)، جهت معامله، نوع اقدام و میزان اهرم (Leverage) را تعیین می‌کند.
- irfndi/prism-liquidity-agent (با ۱۰۷ ستاره): از قضاوت‌های سایه (Shadow judgements) برای یک ربات نقدینگی استفاده می‌کند. نویسنده ادعا کرده که ضریب سود (PF) با Jev به ۳.۵۳ رسیده در حالی که بدون آن ۱.۷۴ بود، اما این داده‌ها در مخزن کد موجود نیست.
- zzsong1023/jev-market-reflex (با ۲ ستاره): هر نیم ثانیه روی بیت‌کوین، اتریوم و سولانا تصمیم به خرید، فروش یا نگهداری می‌گیرد (در حالت Paper).
- erboland/jev-fund (با ۳ ستاره): یک صندوق مجازی شامل ۱۰ سهم را مدیریت می‌کند.
- maxlibin/moomoo-jev-trader: یک ربات سهام آمریکا را فیلتر می‌کند؛ قابلیت اجرای زنده دارد اما فیلتر آن به‌طور پیش‌فرض خاموش است.
مورد QuantDinger
در این میان، پروژه QuantDinger به‌دلیل مقیاس بزرگ و داشتن ۱۲,۰۶۵ ستاره در گیت‌هاب متمایز است. برخلاف ربات‌های پیش‌بینی ساده، این پروژه به‌عنوان یک پلتفرم کامل عمل می‌کند که می‌تواند با پول واقعی در صرافی‌های واقعی معامله کند. این سیستم از Jev به‌عنوان یک مکانیزم «وتو» (Veto) استفاده می‌کند تا سفارشات ورودی را مسدود کند، به‌جای اینکه اجازه دهد هوش مصنوعی به‌طور مستقل معاملات را اجرا کند. از آنجایی که این یک نسخه میزبانی شده (Hosted) است، برای هر بررسی Jev هزینه (Credit) دریافت می‌کند.
به نظر می‌رسد نقطه قوت Jev در طبقه‌بندی (Classification) است، نه پیش‌بینی آینده. در طبقه‌بندی قصد مشتریان بانکی، Jev با صحت ۹۲.۴٪ تقریباً با مدل BERT که تنظیم دقیق شده بود (با صحت ۹۳.۶۳٪ و استفاده از ۲۴ مثال بازیابی شده در هر پرامپت) برابری کرد، در حالی که هزینه هر فراخوانی آن تنها ۰.۰۰۰۱۴ دلار بود.
برای یک معامله‌گر عادی، این یعنی هزینه پایین Jev به‌طور خودکار به مزیت بازار تبدیل نمی‌شود. داده‌ها نشان می‌دهند افزودن لایه هوش مصنوعی به ربات‌های معاملاتی، اغلب پیچیدگی را زیاد می‌کند بدون اینکه «آلفا» (Alpha) یا سود اضافی ایجاد کند.
این الگو تله‌ای رایج در دنیای AI است: اشتباه گرفتن توانایی مدل در پردازش داده‌های ساختاریافته با توانایی پیش‌بینی حرکات هرج‌ومرج بازار. تا زمانی که پروژه‌ای یک پیروزی تأییدشده در برابر یک خط‌کش (Baseline) کور را پس از کسر هزینه‌ها منتشر نکند، Jev ابزاری برای طبقه‌بندی است، نه ماشین پول‌سازی.
منتظر بررسی عمیق ما در مورد ساختارهای خروج (Exit structures) خاص در QuantDinger باشید تا ببینیم آیا مدیریت ریسک این پلتفرم می‌تواند فقدان لبه پیش‌بینی مدل را جبران کند یا خیر.
گام بعدی شما
- اگر از مدل‌های ارزان برای پیش‌بینی قیمت استفاده می‌کنید، حتماً نتایج را با یک استراتژی ساده (مثل میانگین متحرک) مقایسه کنید.
- برای کارهای اداری و طبقه‌بندی داده‌های JSON، Jev را به‌عنوان جایگزین ارزان برای مدل‌های بزرگتر تست کنید.
- در بررسی پروژه‌های گیت‌هابی، به‌جای تعداد ستاره‌ها، به دنبال فایل‌های Backtest تأییدشده بگردید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو