APUS开源Jev跨平台复现fast-browser-use：本地模型离线完成浏览器决策

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，并把它包装成开箱即用的Agent Skill“fast-browser-use”，支持纯本地模型离线执行。量子位在9月20日的报道中披露了项目细节。

项目覆盖面相当宽：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，而负责组装与调度这套分工的工程层，被称为Harness。

APUS完整实现了Jev底层决策范式，并将其落地到最具代表性的浏览器自动化场景。据量子位报道，APUS基于Jev公开文档展示的输入范式与评估逻辑，分析出其“跳过自回归解码、隐状态直接打分”的核心逻辑，并在开源项目中复现了单Token Logits快速决策、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。由于模型是在给定候选里做选择，而不是自行生成选择器，从机制上消除了模型生成错误选择器或格式幻觉的可能。

APUS公布的实测数据是这套方案最有说服力的部分：在一台Apple M2 Pro消费级笔记本上，智能体全程离线完成真实维基百科检索任务的中位耗时约18秒，单任务模型打分次数仅4次。表单填报、站内导航等任务耗时仅3秒左右，全程零云端调用、零API费用，用户数据不出本机。

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——此前Jev的性能数据均来自TypeSafe官方自测。

工程落地路径也已铺好：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。公开资料显示，APUS成立于2014年，AI产品与服务覆盖全球200多个国家和地区的24亿用户。

接下来值得观察的是，这份独立复现能否在更多真实任务上与Jev官方数据形成对照，以及端侧决策模型在桌面GUI、文件操作等更复杂场景中是否还能保持秒级响应与低打分次数。