一个“只会做选择题”的AI凭什么火?7秒查完国际航班,成本只有聊天大模型的零头

原创2026-10-24 22:09:521,959 阅读
文章标签:人工智能大模型AI Agent浏览器控制GUI 自动化

一个“只会做选择题”的AI凭什么火?7秒查完国际航班,成本只有聊天大模型的零头

不知道你有没有过这种疲惫感:

明明只是让 AI 帮忙点一下网页上的“搜索”按钮,它先写了一段三百字的内心独白;明明只是让它从五个选项里挑一个,它非要把五个选项挨个复述,再解释自己为什么选第三个。

等它想完,页面早加载好了;等它说完,账单也跳出来了。

这两年,大家被“什么都要生成”的 AI 折腾得有点累了。而最近在开源圈和开发者社区里火起来的 jev-ultrafast,偏偏反着来:它背后的主角 Jev,是一个“只会做选择题”的模型。

不写作文、不聊天、不即兴发挥,只负责在一堆选项里,干脆利落地打个勾。

结果呢?一句大白话,它在真实的谷歌航班页面上,7.073 秒查完了“苏黎世飞伦敦”的航班,全程 1 倍速,连网页加载的等待都没剪掉。

一、它到底是个啥?把网页变成一张“编号菜单”

先别被“智能体”“Agent”这些词吓到。

你可以把它理解成一个刚入职的办事员:你不需要他会写方案,你只需要他看懂表格,知道该在第几栏打勾。

jev-ultrafast 干的就是这件事。它会把当前网页上的按钮、输入框、下拉菜单,整理成一张带编号的清单:

[1] 往返机票 [2] 出发地 [3] 目的地 [4] 出发日期 ……

然后,AI 只做一件事:从这张表里,选一个动作,再选一个目标。

是“点击第 7 项”,还是“在第 3 项里输入文字”,还是“往下滚一屏”。每个选项都明明白白摆在面前,不用它自由发挥。

这就像去食堂打饭,以前是让厨师听你描述“我想要一份有蛋白质、有蔬菜、不太辣、最好带点汤汁的午饭”,现在是把菜单递给他,你只需要说“第三个”。

背后的 Jev,是 TypeSafe 公司做的“System One 模型”。名字取自那本著名的《思考,快与慢》:人有直觉式的快思考,也有慢慢推理的慢思考。Jev 专攻前者——快速地做一个有把握的判断。

而 jev-ultrafast,是 Browser Use 团队开源的一个“样板间”:拿 Jev 当大脑,拿 Chrome 当手脚,跑真实的网页任务。

二、7 秒跑完一次真实航班查询,快在哪?

先看官方放出的这段演示,没有任何加速:

真实谷歌航班查询演示

一句自然语言目标:2026 年 9 月 20 日,一个成年人,经济舱,从苏黎世到伦敦,单程,看到符合条件的航班就停。

它自己打开页面、点选单程、填出发地、填目的地、选日期、点搜索,一气呵成。

全程 7.073 秒。这里面,Jev 一共做了 17 次决策,中位响应时间 178 毫秒。

178 毫秒是什么概念?你眨一次眼,大概要 200 到 300 毫秒。也就是说,它做一个决定,比你眨眼还快。

它是怎么做到的?有三个很巧的设计。

第一,一次请求,同时回答两个问题。

普通做法是:先问“下一步该干嘛”,等模型答完,再问“对哪个元素干”。两次网络往返,时间就这么没了。

它偏不。它一次就把“干什么”和“对谁干”一起问了。比如同时准备三个答案:点哪个、输入到哪个、下拉选哪个。最后执行哪个动作,就用对应的那个答案,剩下的直接作废。

这就像去窗口办事,工作人员不是先让你排一次队问“办什么”,再排一次队去“哪个窗口办”,而是一次把两件事都告诉你。

第二,不是每一步都要“写作文”。

点按钮、滚动页面、选择下拉项,这些都不需要生成任何文字。

只有遇到“要往输入框里填字”的时候,它才叫来一个小号语言模型代笔。演示里,生成“苏黎世”用了 581 毫秒,生成“伦敦”用了 346 毫秒。就这两次,别的环节一个字都不写。

第三,它不看截图,看结构。

很多网页智能体靠“看屏幕截图”来理解页面,又慢又容易看错。它直接读取网页里的控件清单,谁叫什么、当前填了什么、能不能点,一次读完。

所以你会看到一个很夸张的对比:同样一个任务,优化前后做了 6 次交替测试,浏览器底层调用从 1092 次降到 101 次,中位耗时从 9.45 秒降到 7.09 秒,快了 25%。

航班查询结果与计时

右边那排绿色的勾,是任务结束后的独立检查:单程、苏黎世、伦敦、9 月 20 日、出现航班列表,一项一项对照,不是它自己说“我完成了”就算数。

三、444 倍便宜,这笔账是怎么算的?

TypeSafe 官网首页写得很直接:快 193.6 倍,便宜 444.6 倍。

这个数字很抓眼球,但咱们得把话说清楚。

它是厂商自己设计的一组“工作流评测”里算出来的,对比的是让大模型走同样的结构化决策流程,不是让它去写小说,也不是什么通用排行榜。官方自己也承认,这个倍数属于“现实收益里偏高的那一端”。

真正让开发者兴奋的,是它的计价方式:

每百万输入 token 收费 0.042 美元,折合 10 亿 token 42 美元,输出不要钱。

官网还说,这个输入价格比 Claude Fable 5.1 低 238 倍。

咱们拿这次航班任务自己算一笔账:整场跑下来,输入了 90558 个 token。按标价乘一下,大概 0.0038 美元,折合人民币两三分钱。再加上两次文字代笔的 0.00006272 美元,基本还是个零头。

当然,这是按官方标价估算,不含浏览器本身的运行开销,也不是一张正式账单。但放在“让 AI 自动操作网页”这个场景里,这个量级确实有点颠覆。

为什么能这么便宜?因为它不“一个字一个字往外蹦”。

聊天大模型像一台打字机,逐字生成,每个字都要算一遍。Jev 更像一张已经印好的答题卡,直接在选项上涂卡,一次出结果。

有网友拿它做了不少脑洞测试:同时跑 50 局《地铁跑酷》,花费不到 1 美分;代打《杀戮尖塔 2》,一次思考约 0.7 秒;40 秒拆完 37 个品牌的 724 条广告,token 费 9 美分;模拟火箭发射回收,245 次调用花了约 0.04 美元。

这些数字未必个个严谨,但传递的信号很一致:当一次判断便宜到可以忽略,很多原来“不敢让 AI 干”的重复活,突然就值得干了。

四、它火的真正原因:大家受够了“什么都要生成”

过去两年,AI 的关键词是“生成”:生成文案、生成图片、生成代码。

但真把 AI 塞进自动化流程,很多人才发现:一条流程里 90% 的步骤,根本不需要创作,只需要判断。

这一步该点登录还是注册?该选第三个航班还是第五个?该再等 200 毫秒还是继续往下滚?这些都是“选择题”,不是“作文题”。

用聊天大模型干这活,有点像请一位作家去当门卫。他能干,但每一辆进出的车,他都要先写一段感想。

而 Jev 的思路,是把“作家”和“门卫”分开:大模型负责理解你的目标、写该写的文字;决策模型负责每一步“按哪个键”。

更关键的是,它给的不是一句含糊的话,而是带概率的选项。

比如“点击”76%、“输入文字”23%、“卡住了”1%;选中的那个目标,还有 91% 的把握。

这对自动化太重要了。程序可以自己设阈值:把握超过 90% 就放手干,低于 60% 就停下来叫人。一个知道自己“不确定”的 AI,比一个张口就编的 AI 可靠得多。

所以它火的不是“更聪明”,而是“更像一段可以信赖的代码”:输入当前状态,输出明确选项,程序拿到就能用,不用再从一段话里抠答案。

顺带说个有意思的细节:Jev 这个名字,来自经济学家杰文斯。他提出过一个“悖论”——蒸汽机效率越高,煤炭反而用得越多。TypeSafe 的言下之意是:智能越便宜,被调用的次数只会越多,而不是越少。

这可能才是“成本叙事”真正被改写的地方。

五、普通人能玩吗?门槛到底高不高

先说结论:不需要显卡,不需要在本地跑大模型。

它是个浏览器自动化工具,真正的计算在云端 API 里。你要准备的,是两把“钥匙”:一把是 TypeSafe 的 API Key(Jev 目前还是早期访问),另一把是某个文本模型的 Key,用来在需要填字的时候代笔。

装好之后,在本地启动一个“检查器”网页,点一下“开始演示”,就能看着它在真实的 Chrome 里一步步操作。

本地检查器界面

这个界面挺像“AI 的操作直播”:左边是网页,每个可点的元素都标了编号;右边是它当下的判断——这一步是点击还是输入、每个选项的概率、选中的目标有多大的把握、这次决策花了多少毫秒。

最贴心的是“单步执行”按钮。你可以让它停在每一步之前,自己看看它的备选答案,再决定要不要让它继续。旁边还有“慢动作”,适合第一次看热闹的人。

不过,门槛也不是没有:

  • 它现在只认常见的网页控件,遇到内嵌框架、画布、文件上传、弹窗新标签、复杂快捷键,可能会卡住;
  • 一次任务有 60 个动作、120 次决策的上限,防止它陷入死循环;
  • 它说“完成了”不算数,还得靠外部检查再验一遍结果;
  • 网页是活的,按钮会移动、会被遮挡,它有一套“执行前再确认”的机制,但这套机制是工程上的实用办法,不是百分之百的保险。

所以现阶段,它更适合谁?

适合那些手里有一堆重复网页操作的小团队:每天导报表、填后台、比价格、抓公开信息;适合做自动化、RPA、测试的开发者;也适合想给自家 Agent 降本的技术团队。

普通办公族想直接用,可能还得等一等——等它被包装成插件或者现成工具。

六、写在最后:AI 不一定要一直说话

我一直觉得,AI 落地最大的阻力,往往不是“不够聪明”,而是“太爱表达”。

当模型学会闭嘴,学会只做一个干净的选择,很多原本跑不动的自动化,反而就跑起来了。

当然,现在就说它要取代谁,还太早。它更像给 Agent 装了一个“决策小脑”:大脑继续负责理解目标、写该写的文字,小脑负责每一步别走错、别磨叽。

未来你用到的 AI,可能不再是一个什么都懂、什么都要说两句的聊天框,而是一堆安安静静干活的小零件:一个负责看懂你的意思,一个负责按下正确的按钮,一个负责在拿不准的时候举手问你。

最后想问你一句:如果真有这样一个“点按钮机器人”,能替你在网页上默默把重复活干完,你最想让它先替你干哪件事?是抢票、报销填单,还是每天整理那些永远看不完的表格?

评论区聊聊,说不定你的需求,就是下一个被开源出来的项目。

登录后查看全文
jev-ultrafast