Jev 用法与案例：Browser Use、Agent 工作流

作者搭了个 Jev 仪表盘，按选题、钩子、写作风格等 8 个维度给 1315 条推文自动打标，总模型成本约 0.086 美元，之后可按标签筛选并对比互动数据。

用 LLM 术语解释 Jev：不做文本生成，只对给定 state 返回 Noul、Choice、Score 三类结构化决策。

开发者计划为下个 YouTube 项目自建开源 Jev，讨论用双向注意力 transformer、掩码 LM 训练和固定 schema 的结构化输出，并比较三种输出头方案。

Bespoke 用 2676 条对比数据轻量 LoRA 训出 Nimble，held-out 90.12% 逼近 Jev 的 93.21%，不生成 CoT 直接读 logits。

在 stll_app 早期 demo 中，LLM 先读一遍房屋样式规范，运行时由 Jev 按文档结构为每个段落挑选正确样式。

作者用 Jev 做决策玩俄罗斯方块，全程不眨眼直冲最终第 30 关，展示其决策速度。

一条视频逐步拆解 TypeSafe 的 Jev：输入带选项的状态文本，输出答案加概率，专吃 agent 里那些 yes/no 判断的成本。

开发者称发邮件前先用 Jev 做判断，一晚带来约 1250 美元额外销售，API 花费值回一两年。

作者认为给 Jev 提供上下文和选项的 demo 包装不算造假，决策仍由 Jev 做出，鼓励自由探索。

开发者 chadfowler 发帖征集 Jev 的最佳 demo，评论区汇集各类实际用法展示。

作者称自己没动手，Amp 在 orb 里全自主完成开发并录制视频，用 Jev 搭出一个 Copilot 式工具。

作者澄清 Jev 本质是快速分类、打分与决策模型，不生成自由文本或代码，是 LLM 的搭档而非替代。