关于Ridge和Lasso回归模型，其特性主要体现在损失函数的惩罚项上。根据题目选项，我们可以进行如下分析：

### 选项分析
- **A: Ridge的损失函数里使用的是L1范式**
- 错误。Ridge回归使用的是L2范式（也称为L2正则化或岭回归），即在损失函数中加入的是参数的平方和的惩罚项。

- **B: Lasso的损失函数里使用的是L1范式**
- 正确。Lasso回归使用的是L1范式（也称为L1正则化），即在损失函数中加入的是参数绝对值和的惩罚项。

- **C: Ridge的对参数做一个惩罚，惩罚越大，参数越接近0**
- 正确。Ridge回归通过L2正则化对参数进行惩罚，惩罚力度越大，参数的值会越接近0，但不会完全为0。

- **D: Lasso的对参数的惩罚力度大，惩罚越大，直接将参数值变成0**
- 正确。Lasso回归通过L1正则化对参数进行惩罚，当惩罚力度较大时，它可以将某些参数直接缩小为0，从而实现特征选择。

### 专业分析
Ridge和Lasso回归都是线性回归的拓展形式，通过引入正则化项来约束模型，使其更具泛化能力，避免过拟合。

- **Ridge（L2正则化）**：
- 目标：最小化\(\frac{1}{2n} \sum_{i=1}^n (y_i - \hat{y_i})^2 + \alpha \sum_{j=1}^p \theta_j^2\)
- 将模型复杂度通过参数平方和来约束，偏向于缩减参数但不将其归零。

- **Lasso（L1正则化）**：
- 目标：最小化 \(\frac{1}{2n} \sum_{i=1}^n (y_i - \hat{y_i})^2 + \alpha \sum_{j=1}^p |\theta_j|\)
- 可以有效地将部分参数缩减为零，适合用来进行特征选择。

综上所述，正确答案为：**B、C、D**。