Jev in the Wild: A Data-Driven Analysis of the Jev Model's Functionality, Applications and Ecosystem
Guoming Ling, Muen Xue, Zijian Ye
cs.SE
2026-09-25
对截至2026年9月22日的2170个公开Jev项目做普查:首周1865个新仓、43750星。属性判断出现在77%项目,但41.4%的星标落在路由与自动化。
Jev是TypeSafe AI在2026年9月15日放出的快决策模型:用自然语言定义问题,返回Choice选择、Noul二值判断或Score打分。定位夹在专用分类器和大语言模型中间,零样本、低延迟、低成本,给路由、过滤、动作选择这类小决策用。公开生态涨得很快,但没人统计它到底被拿去干什么,以及星标是不是跟着项目数量走。
这篇不做模型评测,做生态普查。
数据分三步。GitHub上用关键词、API端点和SDK引用做仓库与代码搜索,按仓库ID去重。GPT-6 Luna Max检查公开代码和文档,只收「Jev被用在具体任务」的仓,纯提及或空壳SDK丢掉。同一类代理再标主应用域、决策用途、接口组合,关键纳入和领域标签由第二个代理独立复核,分歧回原仓。截止2026年9月22日,留下2170个已核实项目。
应用域是项目在干什么,决策用途是Jev在项目里扮演什么角色,两者分开标。一个项目可以有多个用途和多个接口。
发布后一周,2170个仓里1865个是新建的,305个是旧仓接入;这些新仓一周拿到43750星。后续仍在涨,早期动量不只是首日脉冲。
八个大类里没有一家独大。内容与专家任务占17.8%,搜索与记忆占17.6%。星标却挤在路由与自动化:该类拿走全部星标的41.4%,其中「模型与工具路由」单独32.6%。
决策用途上,属性判断出现在77%的项目,打分或排序52%,动作选择31%。有明确用途的项目里,69.7%用了两种及以上。接口侧Choice 81.0%、Noul 72.2%、Score 45.4%,三件套齐活的占36.8%。论文据此认为同类决策模型应同时提供选择、判断和打分。
用途随领域变。动作选择在仿真与控制里占用途标签的52%,在界面代理里47%。模型与工具选择在路由自动化里27%,软件工程里只有6%。内容过滤在搜索与记忆里21%,结果判断在安全治理里24%。属性判断仍是八类中六类的第一用途。
供给和注意力对不上。路由与自动化250个项目、均星364;界面代理175个、均星271。两家合计19.6%的项目,拿走63.0%的星。内容与专家387个项目均星31,搜索与记忆381个均星37。仿真与控制252个项目,几乎和路由一样多,均星只有8。星标量的是整仓热度,可能被少数爆款拉高,论文把它读成可见度不均,不是未满足需求。
附录用浏览器动作、代码评审分流、工具历史压缩、工具风险门、按轮选模型、游戏控制和税表分页七个仓,说明Jev的输出总是被外围确定性代码接住:它出结构化判断,执行、门槛和兜底留在程序里。
对做agent基础设施的人,这是一张早期地图:Jev被当成可替换的决策零件,而不是聊天模型。评测如果只盯路由和界面代理,会漏掉占项目大头、星标很少的内容和检索场景。产品上,三接口齐活不是摆设,开发者会叠着用。
这是观察报告,不是能力榜。里面没有准确率、延迟或成本数字。
快照停在发布后第七天,后续结构可能改。只覆盖公开GitHub,私有仓和商业接入不在样本里。纳入和标注都由LLM代理完成,论文没有报告与人类标注的一致率,误收教程仓或漏掉隐式调用都可能。星标会被营销和少数头部仓扭曲,不能当使用量。Jev本身的选项名敏感性在相关工作里被点过,这篇生态统计不处理。