我复刻并开源了全网爆火的 Jev（多模态版）

近日，由前 OpenAI 员工 Diogo Almeida 创立的公司推出了全新模型 Jev，迅速成为热议焦点。

Jev 是一款具备低成本、低延迟、高并发特性的决策模型，能够接收文本与候选项输入，并快速输出决策结果。

随着 Jev 的发布，全网掀起了复刻热潮，各类 OpenJev 项目相继涌现。笔者也进行了一项视觉化实验：Jev Visual，使模型能够基于图像进行选择、判断与打分，并支持本地运行。

项目地址如下，欢迎体验与 Star：

https://github.com/hr98w/jev-visual

什么是 Jev

Jev 是由 TypeSafe 推出的决策模型。用户只需提供当前状态与问题，模型即可直接返回可供程序调用的结果。其核心能力主要包含以下三种：

上述三类任务可在单次请求中并行处理，结果直接交付代码执行。Jev 的优势在于实现了低成本、低延迟且高并发的 LLM 决策，其输出不再是冗长的 Token 序列，而是简洁的选项（如 ABC）或二元判断（Yes/No）。

发布后，围绕 Jev 的讨论与应用实验迅速增加，涵盖了 Browser Use、AI 交易等热门方向。

jev-trader 尝试将其应用于链上交易：读取订单簿数据，决策买入或卖出，并由程序执行挂单。尽管高频交易最具话题性，但其实际可靠性尚待验证。

Browser Use 推出的 jev-ultrafast 项目，利用 Jev 选择下一步操作及页面元素。演示显示，一次包含文本输入与页面等待的 Google Flights 航班搜索耗时约 7.1 秒。

fast-jev-compaction 获得了 Jev 开发团队的认可，该项目将 Jev 的分类器引入 Coding Agent 的压缩（compaction）环节。

然而，目前的 Jev 仅支持文本与结构化状态输入，尚无法直接处理图像。 即便是官方展示的 Doom 游戏演示，输入模型的也是游戏状态数据而非画面。

那么，能否构建一个支持视觉的版本？

Jev 发布不久，社区便出现了OpenJev 等开源尝试：利用现有模型直接读取候选答案分数，对同一上下文仅计算一次，供多个问题复用，从而省去逐字生成答案的过程。

笔者借鉴上述思路，替换为支持视觉的 Qwen3.5-0.8B 模型，并利用 MLX 在 Mac 上运行。 图片与公共上下文预先计算一次，随后批量对不同问题的选项进行打分，最终由代码组装结果。

以下为两个 Demo 展示其功能：

AI 分拣工厂： 识别传送带截图中的物品，并选择对应的分拣通道。

打砖块： 分析游戏截图，判断球体所在区域编号，再由程序控制挡板移动。此为简化版的视觉分类玩法，目前尚未能稳定通关。

关于复刻原理的说明与免责：本项目仅在推理层复现了 Jev 的形式，其效率不及成熟推理框架，也非 Jev 的官方实现原理，但作为 inference 领域的入门实践仍具参考价值。

代码、运行方法及 Demo 均已开源，感兴趣的用户可在 Mac 上尝试，也欢迎大家 Star：

https://github.com/hr98w/jev-visual