APUS AI实验室称这是全球最早一批针对Jev的独立开源复现成果，以MIT协议开放，支持macOS、Linux、Windows，并用Qwen3.5-9B在M2 Pro笔记本上完成离线维基百科检索，中位耗时约 18 秒。
AI解读：这条新闻的核心不是又开源了一个模型，而是有人把“决策模型”这个路线从头复现了一遍，还直接塞进了浏览器自动化这个具体场景。原来Jev的成绩都来自TypeSafe官方自测，现在APUS拿出了一份代码可复核的独立参考，这对想评估这条路线是否靠谱的人有用。
真正被影响的是两类人：一是在政企、金融场景里必须让数据留在本机的人，二是想给Agent接一个便宜“快判断”模块的开发者。fast-browser-use把页面元素整理成带编号的候选动作，让本地Qwen3.5-9B单次前向计算直接决定点哪里，不再逐字生成选择器，也就没有格式幻觉那条出错路径。
限制也很明确：这些耗时数字来自APUS自己公布的实测，目前只有维基百科检索、表单填报、站内导航等任务，不能直接推成通用Agent能力。没有GPU的Mac和PC能跑是个亮点，但它证明的是“能跑”，不是“跑得比云端好”。
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，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协议开放。
APUS称，这是全球最早一批针对Jev的独立开源复现成果。此前Jev的性能数据均来自TypeSafe官方自测。
Jev是什么：跳过逐字生成，直接给类型化答案
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。
APUS复现了单Token Logits决策和KV-Cache广播
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。
在浏览器自动化场景中，fast-browser-use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。APUS称，这一机制从原理上消除了模型生成错误选择器或格式幻觉的可能。
M2 Pro实测：维基百科检索中位约 18 秒，打分 4 次
APUS公布的实测数据显示：在一台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给出的三重意义与接入方式
APUS AI实验室表示，本次开源复现有三重意义：其一，验证了“用模型做Harness”这一技术路线在工程上的可行性；其二，证明在闭源API之外，开源权重加端侧算力同样能够支撑该范式，且数据全程留在本机，满足政企与金融场景对数据安全的要求；其三，为行业提供了一份数据透明、代码可复核的独立验证参考。
据介绍，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。
APUS AI实验室还表示，后续将围绕桌面GUI操作、本地操作系统交互等场景持续开源新的Skill。
- 项目地址：https://github.com/APUS-AI-Lab/fast-browser-use
公司背景
公开资料显示，APUS成立于 2014 年，旗下AI产品与服务覆盖全球 200 多个国家和地区的 24 亿用户。
2026 年 7 月，APUS发布全新品牌定位“全球化AI Agent生态构建者”，其核心技术路线为“追逐最先进的LLM技术，跳出单纯的模型比拼，深耕落地应用，聚焦真实行业价值产出”。
本文由APUS提供，量子位获授权转载，观点归原作者所有。