APUS 开源国内首批Jev跨平台复现：国产模型实现秒级决策
内容提要
APUS AI实验室开源复现Jev决策模型，推出fast-browser-use，支持本地离线运行，采用轻量模型直接打分决策，避免自回归解码。实测在M2 Pro笔记本上完成维基检索约18秒，零云端调用。项目以MIT协议开放，可接入主流编程智能体。
延伸解读
技术路线：快慢分工与Harness角色
文章指出，Jev模型面向智能体高频的分类、选择、评分等原子化决策，直接返回类型化答案与置信概率，而非逐字生成文本。这验证了Agent架构的“快慢分工”：昂贵的大模型负责规划等“慢思考”，轻量决策模型负责“快判断”。负责组装与调度的工程层被称为Harness。APUS的复现表明，用模型做Harness在工程上可行，为行业提供了独立验证参考。
实测表现：离线环境下的效率与成本
APUS公布的实测数据显示，在Apple M2 Pro消费级笔记本上，智能体依靠本地模型推理，全程离线完成真实维基百科检索任务的中位耗时约18秒，表单填报、站内导航等任务耗时仅3秒左右，单任务模型打分次数仅4次。全程零云端调用、零API费用，用户数据不出本机。这展示了端侧算力支撑该范式的可行性，尤其适合对数据安全要求高的场景。
开源意义：数据透明与独立验证
APUS以MIT协议开源fast-browser-use，支持macOS、Linux、Windows，可在无GPU的Mac和PC上运行。此前Jev的性能数据均来自TypeSafe官方自测，而此次复现提供了数据透明、代码可复核的独立验证参考。项目已封装为标准Agent Skill，可通过一行命令接入Claude Code、Codex、OpenCode等主流编程智能体，降低了开发者尝试门槛。
Q&A
APUS 开源的 fast-browser-use 是什么？
fast-browser-use 是 APUS AI 实验室开源的全球最早一批针对 Jev 决策模型的独立复现成果，封装为开箱即用的 Agent Skill，支持纯本地模型离线执行，可在 macOS、Linux、Windows 上运行，代码以 MIT 协议开放。
Jev 决策模型的核心机制是什么？
Jev 模型跳过自回归解码，直接利用隐状态进行单 Token Logits 快速决策，返回类型化答案与置信概率，而非逐字生成文本。APUS 复现了其 KV-Cache 广播与并发批量评估的工作机制。
fast-browser-use 在浏览器自动化中如何工作？
它将页面上真实可见、可交互的元素整理为带编号的候选动作集合，由本地运行的 Qwen3.5-9B 模型通过单次前向计算直接完成“点哪里、选哪个”的决策，从机制上消除了模型生成错误选择器或格式幻觉的可能。
fast-browser-use 的实测性能如何？
在 Apple M2 Pro 消费级笔记本上，智能体依靠本地模型推理，全程离线完成真实维基百科检索任务的中位耗时约 18 秒，表单填报、站内导航等任务耗时仅 3 秒左右，单任务模型打分次数仅 4 次，全程零云端调用、零 API 费用，用户数据不出本机。
APUS 开源 Jev 复现的意义是什么？
APUS 表示本次开源复现有三重意义：验证了“用模型做 Harness”技术路线的工程可行性；证明开源权重加端侧算力同样能支撑该范式，且数据全程留在本机，满足政企与金融场景的数据安全要求；为行业提供了一份数据透明、代码可复核的独立验证参考。
如何将 fast-browser-use 接入现有的编程智能体？
fast-browser-use 已封装为标准 Agent Skill，开发者可通过一行命令将其接入 Claude Code、Codex、OpenCode 等主流编程智能体。
