APUS开源国内首批Jev决策模型复现，本地运行浏览器自动化任务
Jev是什么？为什么它让智能体变快了
Jev这个名字来自19世纪经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）。他提出过一个著名悖论：当某种资源的使用效率提高、成本下降时，人们反而会用得更多，总消耗量不降反升。这个想法被借用来命名一种新型AI模型——Jev决策模型。
和传统大模型逐字“写”出答案不同，Jev专攻一类高频但简单的判断任务：比如从几个选项里选一个、给内容打分、判断真假、分类标签。它不生成完整句子，而是直接输出结构化结果和置信度概率。这种设计让智能体（Agent）可以把“慢思考”交给大模型做规划，把“快判断”甩给轻量级决策模型处理，形成分工协作。
这套架构里，负责调度和组装不同模型能力的工程层，业内叫Harness。而Jev的核心创新在于绕过了自回归解码——也就是不用一个字一个字地生成，而是利用模型内部的隐状态直接对候选动作打分。这不仅提速，还避免了格式错误或幻觉问题。
APUS做了什么？
APUS AI实验室最近开源了国内首批对Jev的独立复现成果，并打包成一个叫fast-browser-use的工具。这个项目完全基于Jev公开文档中的输入范式和评估逻辑逆向推导而来，没有依赖任何闭源API。
他们重点还原了两个关键技术点：一是单Token Logits快速决策机制，二是KV-Cache广播与并发批量评估的工作流。简单说，就是让模型只跑一次前向计算，就能同时给多个候选操作打分，而不是反复生成文本再解析。
在浏览器自动化场景中，fast-browser-use会先扫描当前网页，提取所有真实可见且可点击的元素（比如按钮、链接、输入框），给它们编号形成候选动作列表。然后，本地运行的Qwen3.5-9B模型直接对这些编号打分，选出最优操作。整个过程不生成任何自然语言，从根本上杜绝了模型“胡说八道”出无效CSS选择器或JSON格式错误的情况。
实测：消费级笔记本也能跑
最让人意外的是性能表现。APUS在一台普通的Apple M2 Pro笔记本上做了测试——这台机器没有独立GPU，全靠集成显卡和CPU推理。
结果显示：
- 完成一次真实的维基百科检索任务（比如“查爱因斯坦出生年份”），中位耗时约18秒；
- 表单填写、站内导航这类简单操作，平均只需3秒左右；
- 每个任务平均只调用模型打分4次；
- 全程离线，零云端请求，零API费用，用户数据从未离开本机。
这意味着，即使没有高端服务器，普通开发者也能在本地构建可靠的自动化智能体。对于金融、政务等对数据安全敏感的行业，这种端侧闭环方案尤其有价值。
开箱即用，一行命令接入主流智能体
fast-browser-use已经封装成标准的Agent Skill模块。开发者只需一行命令，就能把它集成到Claude Code、Codex、OpenCode等主流编程智能体中。项目采用MIT协议开源，支持macOS、Linux和Windows三大平台，无论是在开发机还是生产服务器都能部署。
APUS表示，这次开源不只是技术展示，更是为了提供一份可验证、可复现的参考实现。此前Jev的性能数据全部来自TypeSafe官方自测，缺乏第三方验证。现在，任何人都能拉代码、跑实验、看结果。
他们还透露，后续会围绕桌面GUI操作、本地系统交互等场景，持续开源新的Skill模块。比如控制文件管理器、读取剪贴板、调用本地应用等能力，都可能成为下一个开源项目。
背后的技术路线
APUS成立于2014年，旗下产品覆盖全球200多个国家和地区，累计服务24亿用户。今年7月，公司明确新定位：“全球化AI Agent生态构建者”。他们的策略很清晰：不盲目卷模型参数，而是聚焦真实场景的价值落地。
在这条路上，自研大模型是底座，但核心创新在Agent层。通过像fast-browser-use这样的Skill模块，APUS试图构建一个可组合、可扩展的智能体能力网络。目前已规划的应用方向包括金融风控、情报分析、内容创作和医疗辅助等。
值得注意的是，这次复现完全基于开源权重（Qwen3.5-9B）和端侧算力，证明了闭源API并非唯一路径。在当前大模型同质化严重的环境下，这种“模型+工程+场景”的组合打法，或许更能拉开差距。
为什么这件事重要？
过去一年，Agent概念很热，但落地困难。很多演示依赖云端大模型，延迟高、成本贵、数据外泄风险大。更糟的是，模型经常生成语法错误的代码或无效操作指令，导致自动化流程中断。
Jev路线提供了一种新思路：把高频、确定性的操作交给专用小模型处理。它不追求通用性，但在特定任务上又快又准。APUS的实现进一步证明，这种架构可以在消费级硬件上跑起来，门槛大大降低。
更重要的是，代码开源意味着透明。开发者可以看清每个决策是怎么来的，而不是面对一个黑盒API。这对于调试、审计和合规至关重要。
当然，这条路也有局限。Jev适合原子化操作，复杂任务仍需大模型规划。但正是这种“快慢结合”的混合架构，才更接近真实世界的智能体形态——既有深思熟虑的策略，也有条件反射般的执行。
目前，fast-browser-use已在GitHub开放源码。如果你正在做RPA、自动化测试或本地智能体开发，不妨试试看。毕竟，在数据隐私越来越受重视的今天，能让模型待在自己电脑里的方案，总是多一分安心。