Jev in Kombination mit Mercury 2.5 unter Verwendung von WebMCP löste 100 % der Aufgaben in einem Benchmark, bei etwa 112-mal geringeren Modellkosten als GPT-6 Astra mit Computer Use und Codeausführung.
We just ran Jev on our WebMCP benchmark. The result: basically broke the benchmark. Jev + Mercury 2.5 (a fast, low-cost LLM) using WebMCP solved 100% of the tasks at roughly 112× lower model cost than GPT-6 Astra using computer use with code execution. Compared to Astra using
Gregor Zunic präsentiert einen Open-Source-Browser-Agenten, der Browser Use und Jev kombiniert, Flüge in 7 Sekunden für 0,0039 $ findet und dabei neuen Aktionsraum pro Schritt, DOM-Zustandsraum und kleines LLM-Fallback zum Tippen nutzt.
Scott Williams prognostiziert, dass Custom-Jev-Modelle (paralleles constrained Decoding) bestehende Agentensysteme token-effizienter machen und Millionäre hervorbringen.
Der Nutzer lobt die extrem schnelle Reproduktion jeder Bewegung und jedes Befehls durch das JEV-Modell und glaubt, dass Bots dadurch intelligenter werden.
