browser-use 开源 jev-ultrafast,3天7.1K Star,成本不到3厘钱大家好,欢迎来到心眸AI笔记,我是jackli!今天日期是2026年9月20日,周日快乐,下面带来今日资讯。
先给不想看长文的朋友一个懒人总结:
Jev 不是大语言模型,而是 TypeSafe AI 开发的“系统一模型”。它不生成任何文字,只接收文本、JSON等非结构化状态数据,直接输出带概率的结构化决策,速度比前沿大模型快40-200倍,成本便宜100-400倍,输出token免费。browser-use 团队开源了 jev-ultrafast,2026年9月17日发布,3天冲上7.1K Star。核心思路是不截屏、直接读 DOM,把页面控件编号后交给 Jev 决策。性能实测:Google Flights 任务7.073秒完成,Wikipedia 词条2.798秒,本地酒店搜索1.896秒;对比传统方式,耗时快25%,浏览器协议调用降91%。成本极低:一次完整 Google Flights 运行,TypeSafe API 调用成本约 $0.0039,不到3厘钱。上手简单:克隆仓库、配置两个API Key、连接Chrome、跑demo,四步就能体验。也能当库用,给URL和自然语言目标即可。下面展开说。
一、Jev模型:不写一个字,只做判断
Jev由TypeSafe AI开发,创始人Diogo Almeida是OpenAI前研究员,也是RLHF训练方法的共同发明者之一。他在OpenAI期间参与了ChatGPT和GPT-4的核心开发,2024年离开后创立TypeSafe AI。
Almeida对Jev的定位有一个很精炼的描述:“非结构化状态进,类型化概率决策出。”他把Jev称为“前沿智能的函数调用”——不是用来聊天的,是用来做程序里的“聪明if-else”的。
1.1 输入模态:只吃文字和结构化数据,不碰图像这一点非常关键,也是很多人对Jev的误解所在。Jev的输入是纯文本模态的,它接受三种形式的数据:纯文本、JSON对象和数组。
什么概念呢?你可以把一封邮件、一行日志、一张客服工单、一段JSON数据直接扔给它,再附上一组预定义的类型化问题,它就能返回答案。但它不能接收图片、音频或视频。有分析明确指出,Jev目前只接受文字输入,不支持图片/音频/视频。
这个限制其实是有意为之。Almeida的核心判断是:计算机真正需要的不是自然语言生成,而是类型确定、可以直接执行的结果。图像识别那些事,交给专门做那件事的模型就好。
1.2 输出模态:三种原语,全部带概率Jev的输出就更特殊了——它不输出任何文本,只输出预先定义好的结构化值,每个答案都附带一个校准过的概率分数。
目前公开的输出原语只有三种:
原语 作用 返回格式 示例场景 Choice 从给定选项中选一个 选项 + 概率分布 “这封邮件该转给哪个部门?” Score 按预设标准打分 等级分 + 置信度 “这个工单的紧急程度是几级?” Noul 判断是非 0到1之间的概率值 “这个陈述成立的概率有多大?”
三种原语可以在同一次调用中混用,多个问题针对同一份状态并行、独立地处理。每个问题必须是原子的单维度判断,复杂逻辑拆成多个问题后在代码中组合。选项超过255个时采用两阶段模式:先独立打分,再显式选择。
举个例子,你在一次调用里可以同时问Jev三件事:
这封客诉应该转给账单、技术支持还是销售部门?(Choice)问题的紧急程度是1到5的哪一级?(Score)这个陈述是否成立:用户描述的是产品缺陷而非使用咨询?(Noul)一个请求,三个答案,全部带概率。
1.3 概率为什么重要:不是“对错”,是“有多确定”Jev最有价值的设计之一是校准概率。每个答案都附带一个经过校准的置信分数,让程序可以根据置信度自动决定下一步:放行、转交人类复查、或者调用推理模型二次验证。
这种设计让开发者能设定精确的阈值。比如置信度高于95%就自动执行,低于80%就转人工。有开发者测试后评价说:“Jev是唯一一个能返回真正概率的模型,这让它非常适合自动化工作流。”
1.4 “不能幻觉”到底是什么意思Jev官方宣称“不会产生幻觉”,这句话需要精确理解。它不是“永远不会答错”,而是不会返回你预设答案之外的东西。
大模型生成文本时可能编造一个不存在的工具名、生成格式错误的JSON、或者输出无法解析的内容。Jev不会,因为它根本不生成文本,只从你给的选项里挑一个,附带概率。这是更窄但更诚实的承诺。对于Agent来说,这个区别至关重要——真正让自动化流程崩溃的,往往不是判断失误,而是格式错误导致下游无法解析。
1.5 性能与定价Jev在分类决策任务上端到端延迟为70至500毫秒,而前沿大模型的响应时间是3到329秒。官方测试中最高提速193.6倍、成本降低444.6倍。
定价方面,输入token仅**$0.042/百万,输出token免费**——公司称之为“便宜到不需要计量”。独立测试也证实了方向性结论:在抽取任务上,Jev约比Claude Fable 5.1快25倍、便宜580倍(每个段落0.35秒 vs 8.83秒)。
二、jev-ultrafast:读DOM,不看截图
browser-use团队在2026年9月17日开源了jev-ultrafast,当天冲上Hacker News首页,3天狂揽7.1K Star。这个项目要解决的,是传统浏览器Agent的三个致命问题。
过去让AI操作浏览器,基本是靠截图+大模型理解。每走一步,截图发给LLM问“看到了啥?下一步干啥?”结果就是:
慢到离谱:截图、图像理解、LLM推理,一个决策周期动辄几秒。贵:截图转base64塞进LLM context,token消耗巨大。不稳定:LLM对视觉信息理解常出错,按钮识别不准、位置偏差。jev-ultrafast的核心思路很直接:不截屏,直接读DOM。
具体流程是这样的:
一次性浏览器调用:拿到页面上所有可见、可交互控件(按钮、输入框、下拉菜单、滚动条等),每个带上类型、名称、当前值、DOM引用。给每个元素编号,生成类似下面的观察表:[1] button Change ticket type · Round trip
[2] combobox Where from? · San Francisco
[3] combobox Where to? · empty
[4] textbox Departure · empty
交给Jev做决策:只回答两件事——做什么操作(CLICK / TYPE_TEXT / SELECT)和对哪个编号元素做。一次TypeSafe请求,两个决策头(operation head + target head)同时返回。只在需要打字时才动用小模型:如果Jev决定TYPE_TEXT,调用小语言模型(如inception/mercury-2.5)生成输入文本。整个决策循环被压缩为:读DOM → Jev决策 → 执行 → 验证 → 循环。
为了做到“快”,项目还做了不少细节优化:
每个快照只调用一次浏览器协议,一次性拿到所有可见控件信息。执行前校验目标有效性:点击前检查元素是否被遮挡、是否有动画在跑、页面是否最新。智能等待策略:combobox输入后最多等200ms看下拉建议,其他交互最多等两帧或50ms。后台标签页保持渲染:用focus模拟防止Chrome节流后台页面动画。只给模型看可见文字:屏幕外的文章正文、页脚、隐藏元素统统不进模型context。这些优化叠加起来,才有了后面的性能数据。
三、性能实测:7秒完成航班搜索,成本不到3厘钱项目README给出了真实测量结果,全部是1×速度录制,无剪辑:
任务 耗时 Google Flights:苏黎世→伦敦 7.073秒 Wikipedia:打开哥德尔不完备定理词条 2.798秒 本地酒店搜索+筛选 1.896秒
与传统方式对比:
指标 传统方式 jev-ultrafast 改善 Google Flights任务耗时中位数 9.450 s 7.092 s 快25% 浏览器协议调用次数中位数 1,092 101 降91%
成本估算:Google Flights完整运行,TypeSafe API调用成本约**$0.0039**(不到3厘钱)。这个数字意味着,浏览器Agent的成本可以降到几乎为零。
有开发者实测后表示,这种速度已经接近用户感知不到延迟的程度。我按同样的方法复测后也发现,整个流程确实比传统截图方案流畅得多,尤其是协议调用次数大幅下降后,浏览器几乎不会卡顿。
四、快速上手:四步跑起来如果你也想试试,下面是完整的上手步骤。代码片段都保留,照着做就行。
1. 克隆项目+同步依赖git clone https://github.com/browser-use/jev-ultrafast.git
cd jev-ultrafast
uv sync
使用uv包管理器(比pip快)。未安装先执行pip install uv。
2. 配置API Keycp .env.example .env
编辑.env,填入两个key:
TYPESAFE_API_KEY=你的TypeSafeAPIKey
TEXT_MODEL_API_KEY=你的OpenRouterAPIKey(或其他兼容OpenAI的key)
TYPESAFE_API_KEY:去TypeSafe官网申请(目前需排队),官网地址:https://typesafe.ai/TEXT_MODEL_API_KEY:用于TYPE_TEXT操作时生成文本,demo默认用OpenRouter上的inception/mercury-2.5,也可换Gemini、GLM、DeepSeek等兼容OpenAI格式的模型。3. 连接Chrome项目通过Browser Harness和Chrome通信,首次运行前:
uv run browser-harness --doctor
按提示在Chrome中允许远程调试。
4. 跑demouv run jev
浏览器打开http://127.0.0.1:8766,点击Start demo → Run automatically。 Inspector界面实时显示:每个元素编号、操作概率分布、目标元素概率、实际执行动作。可点Choose next暂停,逐步确认。
5. 写自己的Agent也可以把它当库使用:
from jev_ultrafast import Agent
with Agent(
"https://www.google.com/travel/flights?hl=en",
"Find one-way flights from Zurich to London on September 20, 2026,"
"for one adult in economy. Stop when matching flight options are visible.",
) as agent:
for state in agent.run():
print(state["elapsed_ms"], state["status"])
给一个URL和自然语言目标,Agent自己跑。
示例脚本:
# Wikipedia任务
uv run --env-file .env python examples/run.py \
--url https://en.wikipedia.org/wiki/Main_Page \
--goal 'Find and open the Wikipedia article about Gödel'"'"'s incompleteness theorems.'
# 航班搜索(带结果验证,不会真的订票)
uv run --env-file .env python examples/flights.py --keep-open
GitHub仓库地址:https://github.com/browser-use/jev-ultrafast
五、思考和呼吁jev-ultrafast真正有价值的地方,不是那25%的速度提升,而是它证明了一件事:浏览器Agent不一定要靠LLM的“视觉+推理”来驱动。
传统思路是“给AI看整个世界,让它自己搞清楚怎么玩”。jev-ultrafast的思路是“先把世界翻译成AI能快速理解的结构化数据,再让AI做它最擅长的事——选一个”。
Jev的输入是文本和JSON,输出是带概率的结构化决策。它不聊天、不写代码、不解释理由,但它在“做判断”这件事上做到了极致。这种“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Jev——正在成为Agent架构的新共识。
如果你在做RPA、自动化测试、或者任何需要浏览器操作的场景,这个项目值得花半小时跑一遍。也许它会改变你对“AI操作浏览器”这件事的固有印象。
如果这篇内容对你有帮助,欢迎点个赞、转发给需要的朋友,再点一下“在看”。要是方便,也顺手给心眸AI笔记加个星标⭐️,下次更新文章你就能第一时间见到。谢谢你读到这里,我们下篇再见。