在经济学领域，杰文斯悖论指出：当某种资源的使用效率提升、单位成本下降时，其总体消耗量往往会增加而非减少。目前，大模型行业正充分体现这一规律——模型价格越低、运行速度越快，调用量便呈现爆发式增长。
近期在硅谷引发关注的新型模型Jev，其名称与杰文斯悖论相同，正在将这一趋势推向极致。
它不提供写诗功能，不参与人生探讨，甚至不愿生成任何无意义的完整句子。然而，正是这样一个“沉默”的模型，在发布不到48小时内，于X平台吸引了超过3000万次的热切关注，并促使2.5万名开发者申请内测；上线大模型托管平台Vercel的24小时后，接近13%的付费团队迅速接入——这一渗透速度是当年GPT-4的两倍。
天下武功，唯快不破。Jev的核心优势同样在于此：极速且极其低廉。作为前OpenAI核心研究员、RLHF技术的共同发明者，Jev创始人Diogo Almeida甚至宣称：“下一个时代不属于Claude Code这类辅助工具，Jev才是未来！它比通用模型快200倍，便宜400倍，且零幻觉。这将是继RLHF之后的下一个重要突破。”
从毫秒级响应的浏览器插件，到高频执行的链上交易决策，再到每秒10次决策、超越人类玩家的《毁灭战士》通关外挂，开发者围绕Jev构建的应用案例呈现井喷式增长。
然而，面对这个估值一夜之间飙升至2亿美元、但训练方案与底层权重至今未公开的“黑箱”，业界的好奇心与质疑声也达到顶峰：它究竟是模型架构的革命，还是被营销包装的“分类器”？
就在昨日上午，国内人工智能企业APUS旗下AI实验室，公布了全球首批针对Jev的独立开源复现成果，并将其封装为开箱即用的Agent Skill fast-browser-use。该项目支持纯本地模型离线运行，覆盖macOS、Linux、Windows三大桌面与服务器操作系统，甚至无需独立GPU，在普通Mac和PC上也能本地执行。
目前，该项目完整代码已通过MIT协议向社区开放（https://github.com/APUS-AI-Lab/fast-browser-use）。
张旭博士，清华大学本硕博连读，工学博士，APUS AI首席科学家
笔者第一时间联系到该项目负责人——APUS AI首席科学家张旭博士。我们围绕Jev的底层技术逻辑与路线、APUS的复现与改造逻辑、这类快速决策模型的应用潜力，以及Agent未来的“快慢分工”趋势等话题进行了详细探讨。
准确来说，张旭团队并未获取Jev的模型权重、完整架构和训练方法；而是通过公开资料和实际输入输出反推其工作机制，基于Qwen3.5系列、Google Gemma系列等开源模型还原了Jev最核心的工作流，并在推理速度上实现了对标。
开源当天（9月20日）上午APUS公布首轮结果：真实浏览器任务中，维基百科检索约18秒完成，表单填写、站内跳转等更短链任务则在数秒内完成，全程无需调用云端模型；下午采访，张旭团队将测试迁移到RTX PRO 6000，单次决策时间压缩至79毫秒，与Jev响应时间70～500毫秒成功看齐。
他还透露，其内部自研模型可实现更小9B、4B参数规模复现Jev的性能，并将于近期开源。（截至发稿前，已开源https://huggingface.co/apus-ailab/APUS-OpenJev-v1）
以下为笔者与张旭博士的访谈精要。为便于阅读，本文对原始对话进行了提炼与整合。
AI前线：如果抛开官方的概念话术，您能否用更直观的方式解释，Jev与今天常见的大模型有何区别？它的本质是什么？
张旭： 理解这个问题的关键，在于看透大模型工作的两个基本步骤。第一步是Prefill，即输入处理；第二步是Decode，即自回归生成。
当大模型完成第一步Prefill时，其神经网络内部的“隐状态”实际上已经理解了你输入的文字和图片细节。
第二步的Decode，是一个字一个字往外吐Token，这一步纯粹是为了“翻译给人看”。
但人类语言的带宽很窄，存在极高的信息损耗。例如，一张包含猫、树枝纹理和复杂光影的图片，无论用文字如何描述，都无法毫无遗漏地还原给另一个人。
Jev的核心本质，在于它砍掉了第二步（Decode），只保留了第一步。它不再为迎合人类而逐字生成文本，而是直接在模型理解完信息的“隐空间”里计算出结果。
AI前线：那它最后到底输出什么？就是Choice、Score/概率这类东西吗？
张旭：对。普通大模型每生成一个Token，本质上都是在十几、二十万词汇的词表里计算全量概率，再选择一个吐出来。
Jev则是将这个过程极度收敛，变成对有限选项的概率测算。例如，你问“这份提纲完整了吗”，只给“完整”和“不完整”两个选项，它只返回这两个选项的概率得分。
这也是为什么它说自己不会出现幻觉。并非它不会判断错，而是你只给它A、B、C，它不会凭空编出一个D。
但不出现幻觉和不出错是两回事。
AI前线：既然只是给出固定选项的概率，业界有人质疑它只是被包装过的“动作分类器”，您怎么看？它到底新在哪里？
张旭：这么说也没错。但我认为还要看到它背后更大的研究趋势。
例如，一张图片包含非常丰富的信息，无论用多长的文字描述，都很难还原全部细节。语言本身就会造成信息损失。
因此，现在一个前沿方向是：既然模型内部已有这些信息，我们是否一定要先将其变成人类语言，再拿语言继续处理？
Jev可以看作这个方向中的一个具体特例。它省去了后面的语言生成，直接从模型内部状态中完成判断。
AI前线：所以您说的这个更大的方向，具体是什么？就是把“理解”和“生成”进一步解耦吗？
张旭：这是其中一个方面。行业里会将更大的一类思路称为隐空间计算。
例如，两个Agent之间通信，它们都不是人，为什么一定要把第一个Agent脑子里的信息翻译成人类语言，再让第二个Agent读一遍？理论上可以直接在模型内部状态之间处理。
模型路由、Agent之间通信、模型内部思考，都可以沿着这个方向进行。Jev只是用这个思路去做了一件具体的事情：有限选项的概率判断和决策。
AI前线：作为行业共识，目前头部大厂在这方面的探索进展如何？Jev的做法与他们有何不同？
张旭： 是的，例如DeepSeek-v4.1 Flash版本，已在尝试将Prefill和Decode的能力解耦。更典型的代表是目前最新的GPT-6（Astra），业界探讨的Loop Transformer机制，其本质是让模型的思维链和思考过程，在“隐空间”内部进行循环计算，而不再转化为低效的人类文字。
相比之下，Jev则是将隐空间计算的成果巧妙地“产品化”了，它说明，将隐空间的中间结果直接拿出来使用，已足以颠覆当前的应用形态。
AI前线：Jev最明显的特点是快。除了省掉长文本生成，它为何还能快这么多？
张旭： 不生成文本是最大原因，因为相当于“只吐第一个Token”，只做判断。但除此之外，还有计算维度的降级。
第二，原本是开放式生成，现在你给它的可能只有几个、几十个候选，计算范围更小。
第三，这些候选之间相互独立，可以更多地并行判断；而传统的自回归生成前后有依赖，每个Token都要等前一个。
我们自己的实现中也做了类似KV Cache广播的处理。所以总结下来就是：少生成、候选范围更小、还能并行。
AI前线：除了速度，它还有什么本质上的性能优势吗？
张旭： 其他方面在我们看来，它与大模型没有本质区别。它其实也就是一个大模型，只是只用了一半。
效果好不好，最终还是取决于模型本身训练得好不好。
AI前线：Jev没有开源权重、完整架构和训练方案。在这种情况下，你们所谓的“复现”，严谨来说复现的是什么？
张旭：严谨来说，我们复现的是它的功能。
我翻阅了他们所有公开资料，也研究了创始人的背景，再自己实际调用Jev，观察它的输入和输出。
可以理解成我把它当成一个黑盒。如果我可以实现相同类型的输入、相同类型的输出，那我们认为基本复现出了它公开出来的功能。
AI前线：那你们在千问上具体做了什么改动？
张旭：原版的Qwen3.5就可以。
模型本身无需改动，主要是在外部的工作方式上处理。这次开源的东西，也是从我们公司已有的Agent Harness中抽取了一部分，再精简后放出。
AI前线：那是不是随便拿一个小模型也能跑？对底座模型能力、参数规模有没有要求？
张旭： 实际测试后还是有要求。
我看到开源社区有人拿五六亿参数模型复现，确实能跑起来，“能用两下”，但你会发现它很傻，无法真正实用。
所以我自己从千问的小模型一路向上尝试。最后来看，9B基本上是最低的可用门槛，再小就很难实用；35B效果会更好。选9B也是希望普通网友自己的电脑就能运行，无需特别好的设备。此外，我们也在训练自己的模型，很快也会开源，初步看已超过Jev的效果。
AI前线：这次复现有没有什么超出你预期的结果？例如原本以为很难，做完后发现其实没那么复杂？
张旭： 没有特别意外。
反而我们为何能这么快做出来，就是因为过去在这个方向已积累很多，直接将已有的东西拿来用了。
AI前线：所以反过来说，你们这么快就复现出来，是否说明Jev目前公开出来的东西，本身并没有特别高的技术门槛？
张旭： 更客观地说，它背后还有没有别的东西我不知道。
但至少目前拿出来的部分，在我们看来，就是这个研究领域中的一个特例，没有什么特别神秘的地方。
AI前线：你们为何第一时间将复现做成一个Browser Agent？
张旭： 我们第一天先看了行业里大家拿Jev做什么，发现最多的就是操作浏览器。
而且我们希望开源出去的东西是有实际用途的，而不是一个技术Demo或玩具，所以先将浏览器这个场景做出来。
以前很多Agent操作浏览器，需要让大模型先生成操作代码，再去执行。我们现在是将网页上可交互的元素先列出来，例如输入框、链接、上下翻页，再让模型直接做选择：现在应该输入、点哪个链接，还是翻页。
后来模型本身已做到毫秒级以后，我们统计发现，完整任务中大部分时间反而花在等网页加载、等网页刷新。
AI前线：那你们为何长期会往本地模型、CPU、小算力、模型路由这些方向走？这些看上去是很多单点技术，背后的逻辑是什么？
张旭：核心还是AI普惠。
我们一直在想，模型能否不用很昂贵的GPU，靠CPU也能有可接受的速度和效果。因为绝大多数普通用户不会在电脑里装5090，更不可能买H100、B200。
如果AI最后真的要进入大规模C端产品，全部推理都依赖中心化大算力，本身会是一个限制。所以我们希望将一部分计算分散出去，分到CPU服务器，甚至分到用户手机上。
这也是我们做模型解耦、路由、本地推理这些事情背后的共同逻辑：用更高的性价比，让AI真正能够大规模普及。
AI前线：如果不只看浏览器，这种模型还能用在哪里？
张旭： 其实能落的场景很多。
例如，我们经常会访问到一些网站上显示大量广告、欺诈信息、杂乱的内容，那么浏览器有了这个能力加持，就可以快速筛选和过滤。
开发者Movez基于Jev分析了10万条X帖子，耗时仅为20.4秒，花费0.67美元
推荐系统也是很典型的场景。A文章用户感兴趣的概率是多少，B是多少，再将概率高的内容推荐出来。
我还看到有人拿它批量审文档，因为很多判断可以并行，所以一次处理上千份文档，速度和成本会有优势。
AI前线：现在也有人拿Jev做炒股、交易。它因为决策快，会不会特别适合这一类场景？
张旭： 快不代表它炒股水平高。
炒股最后还是看模型本身的智力水平，以及是否针对金融这个方向做优化。Jev现在应该没有专门针对这个方向优化。
所以不能因为它能很快做决策，就认为它一定能赚钱。
AI前线：那再往长远一点看，还有什么你觉得值得关注的应用？
张旭： 更长期可能会到工业自动化、智能家居这些领域，因为它们都需要很快做出行动。
现在不是已经有人拿Jev玩游戏了吗？
它能玩游戏，其实就能够操控机器人。
AI前线：决策变得这么快以后，下一个挑战会在哪里？
张旭： 一个很明显的问题，就是智力。
过去为什么大模型会吐很长的思维链？因为它要靠这些过程提升数学、编程、推理等复杂能力。
现在你把这部分砍掉，它就更依赖模型的“直觉”、第一反应。如果问题本身比较复杂，需要多步思考，那Jev当前的智力水平可能就不够。
AI前线：也就是说，它更适合规则比较清晰、候选明确的任务；如果需要真正复杂推理，就会出现准确率问题？
张旭： 对。复杂问题本身就可能超出它现在的能力。
AI前线：为什么Jev一出来，开发者会这么兴奋？快思考、慢思考这套思想其实并不新鲜，去年OpenAI、DeepSeek、Qwen都尝试在基座模型里融入这套逻辑。
张旭： 对，快思考和慢思考本身不是新东西。
以前很多模型也说自己有快模式、慢模式，但所谓“快”，本质上仍然是大模型一个Token一个Token生成，只是思维链短一些。从普通用户体验上看，它其实并没有真正快到像“本能”。
Jev为什么火，我觉得一个原因就是，它真的快到足够实用了。以前那个“快思考”，其实也不快。
AI前线：但这是不是意味着它没有办法单枪匹马完成一个长链条Agent任务，还是需要和完整的大模型配合？
张旭：我认为是两个类型互相需要。
例如机器人，如果所有操作都让大模型慢慢想，很难实用化。它一定需要一些非常快的模型去执行动作。
复杂任务规划、逻辑推演可以交给慢模型，而高频、原子化、环境交互类动作，就适合交给这种受限决策模型。
AI前线：那快思考和慢思考，最终有没有可能重新融进同一个模型？
张旭： 完全有可能。
系统一、系统二首先是一种架构设计思想。可以是两个模型，也可以一个模型承担两个角色。
通用模型厂商以后完全可能将长生成那部分屏蔽掉，提供一个快速决策模式。
但分成不同模型以后，每个模型可以更专注，也可能效率更高。最终要看是否一家公司能够将整个生态都吃下来。
AI前线：长远来看，Agent和模型到底是什么关系？模型越来越强，会不会最终将外面的Harness都吃掉？
张旭： 我认为不会。
可以打个比方：模型是发动机，Harness是汽车的控制系统，Agent是整辆汽车。
发动机可以越来越强，但你不会因为发动机越来越强，就不要轮子、方向盘和控制系统。所以大模型会越来越强，但它本质上还是Agent里的驱动系统。
声明：本文为AI前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。
本文来自微信公众号“AI前线”（ID：ai-front），作者：四月，36氪经授权发布。
精选开云平台内容，开云全站与你一同发现更多精彩。
开云全站深耕开云体育在线下载领域，用心服务每一位用户。
在开云体育网页方面，开云全站提供贴心周到的支持。
- 由Hetmayer提供开云全站专注开云在线登录，为用户提供专业可靠的体验。
开云全站专注将成就收集放入具体体验中观察，还原每一次突破的真实价值。，为用户提供专业可靠的体验。
围绕从常见问题切入，挖掘值得讨论的细节，提供有深度的视角。，开云全站持续打磨更优质的服务。
开云全站深耕针对游戏爱好者提供版本变化介绍，便于从背景开始系统理解。领域，用心服务每一位用户。
评论
陈思远
2026年8月22日精选开云体育在线下载内容，开云全站与你一同发现更多精彩。
刘佳琪
2026年8月22日开云全站专注开云体育网页，为用户提供专业可靠的体验。
刘佳琪
2026年8月22日围绕开云全站，开云全站持续打磨更优质的服务。