Jev 用法与案例：Browser Use、Agent 工作流

开发者认为用 Jev 在调用大模型前先做路由判断，可能是它最有价值的落地场景。

作者跑 eval 发现证据模糊时选项排列顺序会变成隐式策略，证据足够区分后顺序效应消失，问题不在幻觉而在状态信息不足。

作者开源了 2B/9B 决策模型，用 LoRA 适配器加决策头复现 JEV 式决策，代码、数据、权重全部放出。

拆解交易 bot 分层架构：状态引擎、Jev 判定窄问题、策略层、风控引擎、执行层，并强调过期答案直接跳过。

用一次失败部署的四个决策为例，解释 Jev 的 Choice、Score、Noul 三个原语如何并行返回带概率的类型化答案，并强调概率比答案本身更重要。

作者说先补基础再写进阶篇，讲如何用 Jev 构建自定义 harness，并开放提问。

作者展示自己用 Jev 搭的电影分类器，并询问其他人用 Jev 做了什么。

作者称用现有 vLLM 机制（实体/数字抽取、计数等）就能在 Jev 之上构造开放式问题，性能相近，但可能只在 DiffusionGemma 上成立。

系列文章的下一篇将讲如何用 Jev 构建 System 1 加 System 2 的 agent harness，后续在社区发布。

开源社区出现 395M 参数 CPU 决策模型 Von，作者试了多个 Jev 本地替代品，认为都不如 Jev。

用 Jev 做决策层、Picsart 做执行层，把 188 个模型接进一条流水线，按 BRIEF/ROUTER/IMAGE/VIDEO 等八个工位分工，解决角色跨帖漂移问题。

作者反驳 AI 末日论：LLM 没有自主性，Jev 这类语言工具恰好证明模型只是听命于用户的工具，真正的对齐问题是让工具服从用户。