五个值得看的 Jev 开源项目盘点

雨哥向前冲 @xiangxiang103原推发布于 2026.09.18

在 X 上打开原推

如果只看 5 个 Jev 项目，我会选这几个！ 最近我把 Jev 相关项目集中翻了一遍。 如果只选 5 个，我会留下 jev-ultrafast、fast-jev-compaction、Foreman、SemIf 和 NanoJev。 它们刚好能回答两个问题。Jev 能在真实软件里做什么，社区又能把这种模型复现到什么程度。 先简单解释一下 Jev。 普通大模型接到任务后，会逐个 token 生成文字。Jev 接收一份 state 和一组预先定义的问题，直接返回选项、概率与置信度。 它很适合 Agent 里那些高频但范围明确的判断，比如该点哪个按钮、是否需要重试、哪些上下文还值得保留。 1. jev-ultrafast 目前最能展示 Jev 价值的项目，大概是 Browser Use 开源的 jev-ultrafast。 它读取网页中的结构化 DOM，一次请求同时判断操作类型和目标元素。只有遇到需要填写文字的地方，才调用生成模型。 项目公开的一次 Google Flights 演示耗时 7.073 秒。六次交替测试中，新旧版本都完成了 3 次任务，中位耗时从 9.450 秒降到 7.092 秒，浏览器协议调用从 1092 次降到 101 次。 这个结果来自同一个任务和浏览器配置，项目方也明确说明它不能代表普遍可靠性。真正值得看的，是它展示了一种新的 Agent 分工方式。Jev 负责选择，语言模型负责写字，代码负责检查页面状态并执行动作。 GitHub https://github.com/browser-use/jev-ultrafast 2. fast-jev-compaction fast-jev-compaction 处理的是编码 Agent 经常遇到的上下文膨胀。 传统压缩通常让语言模型重新总结旧对话。一旦摘要漏掉文件路径、错误信息或用户限制，后面的 Agent 就可能沿着错误的上下文继续工作。 这个项目把完整对话交给 Jev，让它逐项判断旧工具调用和工具结果是否还需要保留。用户与助手的文字保持原样，工具记录则根据概率保留、截断或删除。 它把上下文压缩改成了一组并行判断，避免重新生成一份可能遗漏细节的摘要。项目同时提供 Claude Code 插件和 npm 库。 GitHub https://github.com/tamaratran/fast-jev-compaction 3. Foreman Foreman 探索的是另一种思路，让生成模型工作，再让决策模型负责监督。 Codex 继续写代码、修改文件和运行测试。Foreman 在旁边观察任务状态、代码差异和测试结果，再让 Jev 判断实现是否完成、测试是否充分、工作有没有偏离目标，以及是否需要人工介入。 Jev 只提供概率。继续、停止、重试和启动独立验证等动作，仍由确定性的 Python 策略决定。 这项实验目前一次只运行一个编码 Worker，作者也没有声称它已经优于传统 Coding Agent。它提出的问题很有价值。负责干活的模型，是否也应该独自负责判断自己已经完成。 GitHub https://github.com/thruwire/foreman 4. SemIf 官方 Jev 权重和完整训练配方目前没有公开。SemIf 尝试用开放模型实现类似的语义判断接口。 这个项目原名 OpenJev，目标是在一张 RTX 3090 上运行。它直接读取开放模型对候选答案的评分，省掉自由文本生成和 JSON 修复。 SemIf 公开了代码、评测流程和复现材料，但没有重新分发上游模型权重。它也明确声明自己是独立研究项目，与 TypeSafe 没有关联。 这个项目适合想研究本地推理和候选打分的人。 GitHub https://github.com/TheoLeeCJ/SemIf 5. NanoJev 如果想进一步研究这种模型怎样训练，NanoJev 更值得读。 它以 Qwen3 0.6B 为基础，加入专门的决策头。模型接收状态、问题和动态候选，一次前向输出完整概率分布，不需要生成输出 token。 项目公开了模型、数据集、训练代码、概率学习实验和评测流程，还提供迷宫与贪吃蛇演示。Choice、布尔判断和有序 Score 都有对应实现。 NanoJev 不能被视作官方 Jev 的复刻，但它把一个抽象概念做成了可以下载、训练和修改的完整实验。 GitHub https://github.com/TianyuCodings/NanoJev 看完这 5 个项目，Jev 的方向会清楚很多。 jev-ultrafast 展示真实应用，fast-jev-compaction 和 Foreman 展示它怎样进入 Agent 工作流，SemIf 与 NanoJev 则把问题带回开放模型和训练。 这类模型很像一个拥有语义理解能力的 if。 语言模型负责生成，决策模型负责判断，普通代码继续掌握权限、阈值与最终动作。 它能否成为 Agent 的常见组件，还要看更多独立评测和真实任务中的错误成本。至少现在，开源社区已经开始把这个方向从概念变成可以运行的代码。