Jev 用法与案例：Browser Use、Agent 工作流

推主调侃：这个周末如果没用 grok bot 或 Jev 做点东西，那你到底在忙什么，配图展示使用场景。

上传 PDF 或转发到 Telegram bot，Jev 给每笔交易分类、对不确定项追问，最后导出年度 Excel。

开发者用 Jev 做「数单词里有几个 a」的应用，发现它只给概率、很少 100% 确定，偶尔答错，适合信息杂乱、允许容错的快速结构化判断场景。

作者在既有日文版画元数据抽取流程里试 Jev，部分场景可完全替代 gpt-5.6 luna 省钱，部分场景用于增强质量。

在语音指令转结构化命令的环节，Jev 准确率 92.6%、延迟 296ms，均优于 GPT-5.6 Luna 的 81.3% 与 1008ms。

逐日罗列 9 月模型发布与事件，其中 9/15 TypeSafe AI 出 stealth 发布首个 System One 模型 Jev，9/18 Jev + Mercury 2.5 以约 112 倍低成本解完 WebMCP 任务。

作者用 Jev 对 566 个页面做 8460 次是/否内链判断，5.9 秒完成、花费 0.27 美元，并用 Opus 5 当 System 2 重写 rubric 把召回率提到 65%。

一位非炒股人士让员工用 Jev 判断该卖、该买还是观望，单次成本 0.003 美元，一周约 3 美分，结果都是温和信号无需操作。

作者用 Jev 做了个 x402 自动路由：给一句提示，它就从 Coinbase x402 Bazaar 的 2.3 万多个服务里挑出端点、5 秒内拼好整条转写+核查+摘要工作流。

作者称用 Jev 处理 200 封邮件只需 5 秒，只留下 23 封需要人工判断，把确定性决策交给模型、不确定的留给人。

作者写文介绍如何用 Jev 配合 CoreML 和 Apple Foundation Models 做快速便宜的 macOS 电脑操作，截图和像素不出本机。

作者为 Drape 做的实验：说话后 Jev 读转写和当前穿着，从衣柜挑衣服实时换装，每次决策约 620ms、成本 0.0011 美元。