Jev 用法与案例：Browser Use、Agent 工作流

作者用 kevala 框架在浏览器 WebGPU/CPU 上实时运行 Laya、Kev 等开放权重模型，视频中 Laya 未经训练就能给俄罗斯方块打分并指出方块该落的位置。

帖子称 Jane Street 量化交易员透露 Jev 在华尔街对冲基金中用作 AI 之前的确认层来产生交易 alpha，并称技术指南已发到 Reddit 量化论坛。

没有做任何游戏集成的格斗游戏里，Jev 负责决策循环、sai_borg 看画面按键，作者说日常杂事也能这么干。

作者用 buildfirst.ai 的交互 demo 自学 Jev：输入一个词，Jev 按决策排名选出最可能代表该词的颜色，光标像磁铁一样吸引色块。

作者给出四条落地规则：便宜模型做选择、贵模型执行，把大判断拆成并行小问题，用置信分而非模型自述来路由，并先跑影子模式再上生产。

作者周末做出一个按近 10 条推文平均曝光量给 AI、独立 SaaS、加密创作者排名的工具，底层打分和排序决策交给 Jev，避免每次查询都调用贵模型。

作者以开源项目 Midscene 的经验指出，Jev 缺多模态、上下文仅 32k，遇到无语义图标、shadow DOM/iframe/canvas 和移动端跨端应用时基本没法用。

一篇介绍 Jev（TypeSafe AI）的文章：不做文本生成，而是把带置信度分数的结构化决策直接交给代码，号称比 LLM 快且便宜最多 100 倍。

agent 自己挑工具，Jev 在线索评分、爆款钩子扫描、融资调研和 SEO 审计上把速度提升约 30 倍。

Diogo Almeida 谈 LLM 过度承诺、RLHF 模式坍塌，以及 Jev 为何输出带置信度的选择与分数而非文字，附作者对 Jev 能力边界的看法。

作者搭了判断竞技场，用 15 道人工标注题实测 Jev 的 JSON 决策，Opus 准确率略高但慢 10 倍、贵 146 倍。

开发者用 Jev 做了个实时弹钢琴的 demo，作者说听上去真像《月光》，附在线试听链接。