APUS开源Jev决策模型复现项目，支持端侧离线秒级执行

近日，APUS（麒麟合盛）旗下 AI 实验室公布了针对 Jev 架构的独立开源复现成果，并封装为开箱即用的 AI 智能体组件 fast-browser-use。该方案支持纯本地模型离线运行，适配 macOS、Linux、Windows 三大桌面与服务器操作系统，无论是 GPU 服务器还是普通个人电脑均可平稳部署，完整代码基于 MIT 协议开放。

什么是 Jev 与“决策模型”？

Jev 的命名源自 19 世纪经济学家杰文斯提出的“杰文斯悖论”：智能调用成本的断崖式下降，将引发使用总量的爆发式增长。

在传统架构中，大语言模型通常采用逐字生成的自回归模式，耗时较长且成本偏高。而 Jev 这类“决策模型”专门面向分类、选择、评分、真伪验证等高频原子需求设计。模型不输出长篇文本，而是直接返回类型化答案及其置信度概率。

这一方案验证了业界推崇的 AI 智能体“快慢分工”模式：昂贵的大模型专注于全局规划与复杂推理等“慢思考”，高频、碎片化的“快判断”则下放给轻量级决策模型处理，工程上由调度层（Harness）完成两者的组装与协同。

从自回归到单次前向打分

根据 Jev 公开的技术文档，APUS 分析并复现了其“跳过自回归解码、基于隐状态直接打分”的核心机制。在该项目中，团队通过单 Token Logits 决策、KV-Cache 广播与并发批量评估等工程优化，将这一范式落地到最具代表性的浏览器自动化（Browser-use）场景。

在执行自动化任务时，fast-browser-use 会将网页中真实可见、可交互的元素转化为带编号的候选动作集合。本地部署的 Qwen3.5-9B 模型仅需一次前向计算，即可直接裁决“点哪里、选哪个”，从底层机制上杜绝了生成错误选择器或输出格式异常等幻觉问题。

APUS 公布的实测数据显示，在搭载 Apple M2 Pro 芯片的消费级笔记本上：

• 运行真实维基百科检索任务，端到端中位耗时约 18 秒；
• 站内导航、表单填报等标准化流程仅需约 3 秒；
• 单个任务的决策打分通常仅需 4 次前向计算；
• 全程依赖本地模型推理，零云端 API 调用成本，数据完全不出设备。

工程落地与生态拓展

此前，Jev 的性能测试指标多来自开发方官方评测。APUS 团队表示，本次开源不仅为行业提供了透明可复核的第三方工程实践，也证明了开源模型权重配合消费级端侧算力，完全能承载高频决策任务，为政企和金融等对数据合规性敏感的场景提供了可用落地方案。

目前，fast-browser-use 已被封装为标准化 Agent Skill，开发者可快速集成到 Claude Code、Codex、OpenCode 等主流智能体开发环境中。后续，APUS 还将围绕桌面 GUI 自动化和操作系统级交互场景持续开源更多工具模块。

项目开源地址：fast-browser-use GitHub 仓库