Jev 用法与案例：Browser Use、Agent 工作流

泰语科普帖：TypeSafe AI 的 Jev 接收数据与预设选项，直接返回「类型/紧急度/置信度」等程序可读结果，用于邮件分类等场景，官方称比 LLM 快 40–200 倍。

开源浏览器 agent，Jev 直接从页面里挑每一步动作，LLM 负责规划，每条结论都引用原文，号称更快更便宜。

视频展示 Jev 用于浏览器操作任务，称其以更低成本跑赢 PrismML Bonsai 2 27B，表现超过 Google Gemma 4。

他认为把 LLM 限制成从固定选项里生成一个 token、再用 logprobs 当置信分，就等于手搓了一个 Jev。

Jev 不写段落，只返回 Choice/Score/Noul 等带置信度的类型化决策，作者用邮件分流 agent 举例说明调用方式与价格。

教程给出从建 API key 到接入 Cursor agent 的 10 步流程，让 Jev 按成本/均衡/智能三档自动选模型，称省约 80% 成本与时间。

泰国开发者把浏览器俄罗斯方块的棋盘状态和候选落点转成结构化数据交给 Jev 选方案，代码再执行按键并回读验证。

基于 DiffusionGemma 26B 的 Apache-2.0 开源判定模型，能把图片本身当选项，文本判定 100ms 内、含图 600ms。

日更新闻汇总提到 Jev 取消 waitlist 全面开放，同时出现模仿其架构的本地开源模型 Laya。

开发者把 Jev 接进 SQLite、DuckDB、LadyBugDB，用结构化判定做混合搜索和重排序，并写了长文记录。

开源决策模型 Laya 被移植到 Apple MLX，M3 Max 上单次决策约 7–13 毫秒、占用不到 1GB，可本地做路由、打分和 guardrail。

一份讲 Jev 特别之处、如何配合 agent 使用以及若干模型用例的简单指南，被 LangChain 官方转发。