APUS开源Jev本地浏览器自动化智能体 全平台离线

9月19日，国内一家人工智能企业旗下的AI实验室对外公布了全球首批针对Jev架构的独立开源复现项目，该项目被封装为开箱即用的Agent Skill工具fast-browser-use，支持纯本地大模型离线运行。目前这款工具兼容macOS、Linux、Windows三大主流桌面及服务器操作系统，既可以部署在搭载GPU的服务器环境中，也能在无独立显卡的普通Mac或PC设备上运行，所有代码均以MIT开源协议开放给全球开发者。

Jev决策模型的设计逻辑

Jev这一名称取自19世纪英国经济学家杰文斯（Jevons），其设计灵感源自著名的“杰文斯悖论”：当智能技术的使用成本大幅下降时，整体的智能使用规模反而会出现爆发式增长。这款模型聚焦于智能体（Agent）运行过程中最常见的几类需求，包括分类、选择、评分、真伪判断等，它不会像传统大模型那样逐字生成文本，而是直接返回类型化的答案以及对应的置信概率。行业内普遍认为，这一技术路线验证了Agent架构的“快慢分工”思路：算力成本较高的大模型负责整体规划这类“慢思考”任务，而高频、原子化的“快判断”工作则交由轻量型决策模型完成，负责组装和调度这套分工体系的工程层，在行业内被称为Harness。

fast-browser-use的技术落地与实测表现

该团队完整复现了Jev的底层决策范式，并将其落地到了最具代表性的浏览器自动化场景中。研发人员基于Jev公开文档中的输入范式与评估逻辑，梳理出了其“跳过自回归解码、直接通过隐状态完成打分”的核心运行逻辑。在本次开源的项目中，团队实现了单Token Logits快速决策流程，跳过了传统的自回归解码步骤，同时完成了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下，fast-browser-use会将页面上真实可见、可交互的元素整理为带有序号的候选动作集合，由本地运行的Qwen3.5-9B大模型通过单次前向计算直接完成“点击哪个元素、选择哪个选项”的决策，从底层机制上避免了模型生成错误选择器或出现格式幻觉的问题。

根据公布的实测数据，在搭载Apple M2 Pro芯片的消费级笔记本上，智能体依靠本地模型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、站内导航这类任务的耗时仅3秒左右，单个任务中模型的打分次数仅为4次，整个流程全程没有云端调用，也不会产生任何API费用，用户的所有数据都留存于本地设备中。

该企业AI实验室表示，本次开源复现具备三重核心价值：首先，它验证了“用模型作为Harness”这一技术路线在工程层面的可行性；其次，证明除了闭源API方案外，开源权重模型结合端侧算力同样可以支撑该技术范式，且所有数据全程留存本地，能够满足政企、金融等场景对数据安全的严格要求；第三，本次开源项目为行业提供了一份数据透明、代码可复核的独立验证参考，在此之前，Jev的性能数据仅来自原技术研发方的官方自测。

据介绍，fast-browser-use已经被封装为标准的Agent Skill，开发者只需通过一行命令即可将其接入Claude Code、Codex、OpenCode等主流编程智能体平台。实验室还透露，后续团队将围绕桌面GUI操作、本地操作系统交互等更多场景，持续开源新的Agent Skill工具。

公开资料显示，该企业成立于2014年，旗下AI产品与服务已经覆盖全球200多个国家和地区的24亿用户。2026年7月，该企业发布了全新的品牌定位，将自身定义为“全球化AI Agent生态构建者”，其核心技术路线为“紧跟最先进的大模型技术，跳出单纯的模型性能比拼，深耕落地应用，聚焦真实的行业价值产出”。未来，该企业将持续以自研大模型作为技术底座，聚焦AI Agent核心技术创新，构建覆盖金融风控、情报分析、内容创作、医疗等多个场景的Agent产品矩阵。

项目开源地址：https://github.com/APUS-AI-Lab/fast-browser-use