Jev 用法与案例：Browser Use、Agent 工作流

OpenBMB 开源 1.3B 文档识别模型 MiniCPM-OCR 1.0，在四项文档基准上平均分领先；同时发布 MiniCPM-OCR Jev，对每条结果打 0 到 1 分，只需人工复核低分部分。

1.3B 的 MiniCPM-OCR 1.0 在真实文档基准领先，配套 2B 校验模型 MiniCPM-OCR Jev 逐区域打分，标出仍需人工复核的部分。

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。

Parallel 推出 Decisions API，把 Jev 这类即时决策模型与实时网页检索结合，单次调用完成事实核查、线索分类、交易策略回测等任务，每次 0.001 美元。

论文在 495 条人工标注声明上对比 Jev 与 GPT-6 Astra：Jev 准确率仅差 0.6 分、成本低 187 倍，但放行了 23.2% 无依据声明（Astra 14.1%），级联方案省下的钱与随机分流相当。

poor-things.com 给每种 steering 配置跑 67 条提示，由 Typesafe Jev 和 Fireworks Rune 打分，再由 GLM 5.3 Flash 命名人格。

视频介绍 TypeSafe 的 Jev：不做文本生成，一次调用返回校准概率，在四类决策流程上比 LLM 调用快 193.6 倍、便宜 444.6 倍。

把 Browser Use 找航班、批量分类论文、整理邮件、压缩 Claude token 等 Jev demo 汇成一份账，强调该看的是每个完成任务的总成本而非单次决策价。

作者自建 16000 参数决策模型，2.8 微秒本地出结果，简单分类 94% 准确，但复杂判断仍会出错。

泄露的 Jev 决策 loom 用 CHOICE、SCORE、NOUL 三种头把每次决策压成 8–13 位，2–4ms 一包，带 hex 包日志和 0.85 置信度门控，不再解析整段模型推理。

Agent.sa 在实时语音通话热路径上用 Cloudflare 开源 Clef（Jev-API 兼容）对检索前 8 条做 0–3 四级 Score 判定，解决相似度检索分不清「同话题但没答案」的问题。

德州大学论文把链接、停止等小选择交给 Jev 批量出概率，LoCoMo 上答案分 0.777、建记忆 158 秒对 1044 秒。