Jev 用法与案例：Browser Use、Agent 工作流

作者分享 Jev 的 line-by-line search 用法：把整份文档放进 state 逐行提问，单一答案用 nouls，要标出所有相关段落则用 scores。

Anthropic 的 Boris Cherny 给出 Claude Code 配置：Sonnet 5.5 跑主循环，Haiku 5.5 并行做只读侦察，Opus 5.5 只在计划锁定、重复报错、合并前三个节点介入；帖中把 Jev 定位为同一思路再下一层，毫秒级处理无需思考的分支。

帖子转述 Anthropic 的 Boris Cherny 的分工建议：Sonnet 5.5 跑主循环、Haiku 5.5 并行侦察、Opus 5.5 只在关键节点把关；并称选文件、选工具、重试或停止这类分支可交给 Jev 毫秒级处理。

把 GitHub 上的 playbook 改造成 Grok Bot 技能，其中 jev-passage-filter 用于检索段落排序、jev-typed-decision 用于小型路由分类决策。

开发者列出年底行程，其中 11 月 5 日在旧金山与 Mastra 办工作坊，讲如何用 Jev 这类 judge 模型搭建处理敏感数据的 agent。

文章主张 Jev 这类只输出标签和概率的决策模型应成为 agent 架构中的独立原语，用来承接无需推理的路由与判断，把前沿模型留给真正分叉的路径。

OpenBMB 开源 1.3B 的 OCR 模型，另配 MiniCPM-OCR Jev 不自动纠错，而是评估每次抽取的可信度并给出置信分，方便人工复核。

OpenBMB 开源 MiniCPM-OCR 1.0 与 2B 的 MiniCPM-OCR Jev，后者作为模型无关的「守门员」检查不同 OCR 解析出的文字、公式和表格是否正确。

作者展示把 Jev 当作大脑，实现智能可编程路由的用法。

以工单分流为例说明：普通解码要生成整句再解析，结构化输出仍逐 token 生成 JSON，而 Jev 式打分直接对预设候选给出概率分布。

分享 Claude Code 的模型分层用法：Sonnet 5.5 主会话写代码跑测试，Haiku 5.5 子 agent 并行做 AST 映射与文档检索，Opus 5.5 仅在计划锁定、重复失败、收尾三处被叫出；并称 Jev 在更下一层用 16ms 清掉机械路由分支。

独立开发者把 JEV 做成决策星盘，给 Claude Code 的迁移、分诊等步骤做门控，不可逆操作前留人工闸门。