← 所有用例Live toolRun this on your own data with the Viral Post Analyzer →
爆款帖分析
从钩子、结构和证据三方面给任意 X / 社交帖打分 —— 支撑分析 10 万条爆款帖背后的判断力。
10 万条爆款 X 帖 · 20.4s · $0.67@0xMovez
Movez 用同一组精准问题在 20.4 秒内、花 0.67 美元跑完了 10 万条爆款帖。同样的语料在一个前沿聊天模型上只处理了 214 条,成本约为 458 美元 —— 单帖成本高出约 680 倍。爆款分析正是 Jev 的理想任务:它做的是判断,而不是写作。
在线试用
这是真实的东西,不是模型演示。编辑输入、点击运行,Jev 会在一次往返中返回每一个类型化答案——免费、无需注册。现在想象同一次调用并行地跑在数千条数据上。
state — 软件传给 Jev 的输入127c
questions — 你想拿回的类型化决策
choicehook_type
第一句用的是哪种钩子?
→ 其中之一: open_loop, bold_claim, story, data, none
noulopens_loop
这个钩子是否打开了一个好奇心悬念,让读者必须继续读下去才能解开?
→ 概率 0.0 … 1.0
noulfirst_line_number
第一句是否包含具体的数字或金额?
→ 概率 0.0 … 1.0
choiceevidence
主张是如何被佐证的?
→ 其中之一: demonstrated, claimed, none
scorevirality
这条帖子的爆款潜力有多强?
→ 0…3 · 4 个等级
真实 API · 免费 · 无需注册
类型化、已校准的输出将显示在这里。
选一个示例,调整输入,然后点击 运行 Jev.
选一个示例,调整输入,然后点击 运行 Jev.
Jev 做出的决策
在一次调用中，Jev 针对同一份输入并行评估以下每一项：
choicehook_type
第一句用的是哪种钩子?
从这些选项中挑一个：
open_loop— 制造好奇心 / 留下读者必须去解开的悬念bold_claim— 一个大胆或反常识的主张story— 以个人叙事开场data— 以数字或数据领起none— 没有真正的钩子
noulopens_loop
这个钩子是否打开了一个好奇心悬念,让读者必须继续读下去才能解开?
返回一个已校准的是/否概率。
noulfirst_line_number
第一句是否包含具体的数字或金额?
返回一个已校准的是/否概率。
choiceevidence
主张是如何被佐证的?
从这些选项中挑一个：
demonstrated— 展示了真实的证明 / 凭据 / 具体细节claimed— 声称有成果,但仅仅是口头声称none— 完全没有证据
scorevirality
这条帖子的爆款潜力有多强?
在一个有序量表上给它打分：
- 弱
- 一般
- 强
- 非常强
确切的请求
这就是实时演示背后真实的载荷——复制它，改一下 state，你就开始构建了：
{
"model": "jev-latest",
"state": "X 帖(12,400 赞,1,900 转发):\n\n“我辞掉了年薪 24 万美元的工作,没有任何后备计划。\n\n所有人都说我疯了。\n\n8 个月后,我赚的比以往任何时候都多 —— 而且每天只工作 4 小时。\n\n下面就是我用的那套精确的 5 步系统(拿去用):”",
"questions": {
"hook_type": {
"type": "choice",
"instructions": "第一句用的是哪种钩子?",
"criteria": {
"open_loop": "制造好奇心 / 留下读者必须去解开的悬念",
"bold_claim": "一个大胆或反常识的主张",
"story": "以个人叙事开场",
"data": "以数字或数据领起",
"none": "没有真正的钩子"
}
},
"opens_loop": {
"type": "noul",
"instructions": "这个钩子是否打开了一个好奇心悬念,让读者必须继续读下去才能解开?"
},
"first_line_number": {
"type": "noul",
"instructions": "第一句是否包含具体的数字或金额?"
},
"evidence": {
"type": "choice",
"instructions": "主张是如何被佐证的?",
"criteria": {
"demonstrated": "展示了真实的证明 / 凭据 / 具体细节",
"claimed": "声称有成果,但仅仅是口头声称",
"none": "完全没有证据"
}
},
"virality": {
"type": "score",
"instructions": "这条帖子的爆款潜力有多强?",
"criteria": [
"弱",
"一般",
"强",
"非常强"
]
}
}
}把它接进你的代码
读取类型化的答案，用普通代码分支判断——无需解析。自动处理高置信度的情形，把不确定的路由给更大的模型或人工。这只是一次 API 调用，而且输出免费，所以把你需要的每个问题一次都问了吧。