Jev 用法与案例：Browser Use、Agent 工作流

澳大利亚团队开源首个本土决策模型 Matilda Jev，单次前向传播输出校准概率，AMD MI355X 上中位延迟 56.8ms。

作者因等不到 Hermes 更新，自己用 agent 规划并测试 Cygnet 模型，在 DGX Spark 上得分 202/231（87.4%），p50 延迟 0.19 秒。

Unsloth 演示用本地 Laya 模型通过 Decision API 做实时行李打包决策，输入变化时结果即时更新。

一周项目周报里提到 StrikeRobot 在仿真中打通感知到动作，并正在集成 typesafeai 的 JEV。

在 Ryzen AI MAX+ 395 上把 Jev 与多个开源「Jev 仿品」对比四类类型化决策，Jev 得 100/100/100/95%，每决策约 0.3 秒。

有人把 Jev 风格决策模型搬到本地，输入文本或 JSON 直接输出结构化决策，RTX 4090 上 5 个问题约 8–10ms。

ESP32 硬件 + 摄像头麦克风传感器，Jev 负责选模型、转派动作、根据传感器读数判断机器人状态，底层跑 GPT realtime 与 gpt-6。

作者用 1 万条意图样本微调开源替代 Laya，在设备端约 100ms 内决定该触发计时器、提醒还是音乐，瓶颈反而在苹果自家 API。

在 Automata Room 里用自然语言改机器人设计，Jev 读取关节、臂展、质量、限位等真实数值，对照需求打分并决定下一步改什么。

有人把 Laya 与 Qwen Flash Next 组成 sidecar 跑在单张 Spark 上，配合 Hermes 做 System-1 决策，早期端到端 13ms，GitHub 待放。

机器人团队评估用 LLM 当大脑、Jev 当闸门：Jev 不写计划也不动关节，只对「抓取还是中止、重试还是保持、接触是否够稳」给出带概率的选择与分数，作者也点出它看不到摄像头、不能当安全层。

类 Jev 的开源 System-1 模型用 OpenVINO INT8 跑在 i7 上，单次前向直接选动作，无 GPU 无逐 token 生成。