Jev 用法与案例：Browser Use、Agent 工作流

Browser Use 开源 Jev Ultrafast，把网页元素编号让 Jev 做选择题，7 秒不到 3 分钱查完航班。

前 OpenAI RLHF 研究者 Diogo Almeida 创立 TypeSafe AI，推出只返回带置信度的类型化答案的 Jev，宣称比标准 LLM 快 193 倍、便宜 444 倍。

OpenAgents 第 285 期直播：用 TypeSafe 的 Jev 加 VictorTaelin 的 Bend2 语言现场构建实验性编码 agent，仓库已开源。

一篇日文帖梳理 TypeSafe AI 的 Jev——专做分类、打分、条件判定等结构化决策的模型，以及它在工作里的用法。

作者列出 OpenRouter、Vercel、Cloudflare、Netlify、OpenCode Zen 五个可直接调用 Jev 的入口，部分免费，输入约 $0.042/1M tokens。

开发者把 Jev 集成进系统层，用它在 500ms 内对非结构化状态输出类型化决策，先打分过滤上下文再交给 Claude，告别解析坏 JSON。

LiteLLM 宣布接入 Jev，官方博客给出用 Jev 做上下文压缩（compaction）的内部用例。

实测用 Jev 把 300 封杂乱邮件按 15 个部门分流打标，9.9 秒完成、花费 $0.036，速度约为 DeepSeek 的 30 倍。

一条回复提问：你是只用 Jev 来强化某个目标，还是它真的在解决具体问题？

中文总结帖：Jev 不再靠生成文本，而是直接输出选择、概率和置信度，已被用于 Agent Router、游戏和实时决策。

从 BERT 到 GPT 的范式演变讲起，认为 Agent 的大输入与高频循环调用让 decoder 做小判断变得昂贵，Jev 正好补上泛化 decision model 的位置。

梳理 Jev 的定位：只做判断不写文章，支持 Choice/Score/是-否三类输出，响应 70–500ms、输入百万 token 约 0.042 美元，适合分类与路由。