APUS 开源 Jev 跨平台复现，端侧模型做 Agent 秒级决策
把高频的“快判断”交给轻量本地模型、把规划留给大模型，APUS 用开源复现证明这条 Agent 快慢分工路线能在端侧离线跑通。
APUS AI 实验室开源了 Jev 的独立复现成果 fast-browser-use：它把网页上可交互元素整理成带编号的候选动作，由本地 Qwen3.5-9B 通过单次前向计算直接给出“点哪里”的答案，跳过自回归解码（逐字生成文本的过程），在 M2 Pro 笔记本上离线完成维基百科检索约 18 秒，全程零 API 费用。
正文摘录
APUS 开源国内首批 Jev 跨平台复现：国产模型实现秒级决策 9 月 19 日，中国人工智能企业 APUS（麒麟合盛网络技术股份有限公司）旗下 AI 实验室公布了全球最早一批针对 Jev 的独立开源复现成果，并包装成了开箱即用的 Agent Skill（智能体技能封装格式）fast-browser-use，支持纯本地模型离线执行。该项目支持 macOS、Linux、Windows 三大主流桌面与服务器操作系统，既可以在 GPU 服务器上运行，也可以在没有 GPU 的 Mac 和 PC 上运行。全部代码以 MIT 协议向全球开发者开放。 Jev 之名取自 19 世纪经济学家杰文斯（Jevons），暗合“杰文斯悖论”：智能使用成本的暴跌，将带来智能用量的暴涨。该模型面向智能体（Agent）运行中最高频的一类需求，即分类、选择、评分、真伪判断，直接返回类型化答案与置信概率，而非逐字生成文本。业内认为，这一路线验证了 Agent 架构的“快慢分工”：昂贵的大模型负责规划等“慢思考”，高频、原子化的“快判断”交给轻量决策模型完成。负责组装与调度这套分工的工程层，在业界被称为 Harness（编排层）。 APUS 完整实现了 Jev 底层决策范式，并将其完整落地于最具代表性的浏览器自动化（Browser-use）场景。APUS 基于 Jev 公开文档展示的输入范式与评估逻辑，分析出了其“跳过自回归解码、隐状态直接打分”的核心逻辑。在开源项目中，APUS 复现了单 Token Logits 快速决策，跳过自回归解码的过程，实现了 Jev KV-Cache 广播与并发批量评估的工作机制。