AI-translated from English; not yet reviewed by a fluent editor.

# Студија о Jev-у: јефтиније одлуке, мање завршених мобилних задатака

> Студија о Jev-у са 4.500 извршавања показала је јефтиније одлуке агената, али су две мобилне интеграције завршиле мање задатака, а једна је по забележеном просеку трошила више по успеху.

By BIG CHANGE Editorial

Published: 2026-10-13T05:25:18.815Z
Updated: 2026-10-13T05:25:18.815Z
Canonical: https://bigchange.ai/blog/jev-agent-workflow-study-task-completion-cost

![Conceptual charcoal illustration of one connected hand poised above a blank unbranded smartphone screen, with an orange reflection under the fingertip.](https://bigchange.ai/api/media/file/jev-mobile-decision-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE; generic phone and hand, no Jev interface, experiment, result or BIG CHANGE test depicted.

Нова студија о Jev-у наставља питање које је остало отворено после [извештаја BIG CHANGE-а о његовом септембарском представљању](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida): да ли бржи и јефтинији избори радњи побољшавају цео задатак? У 4.500 извршавања истраживачи су утврдили јефтинији избор радњи код сваког тестираног агента. У две интеграције мобилних агената завршетак задатака опао је довољно да промени економику испорученог резултата.

Овај [препринт од 9. октобра](https://arxiv.org/html/2610.13092v1) приказује експеримент који су извели и описали аутори, а не независну репликацију или тест BIG CHANGE-а. Пет породица агената радило је у два окружења посматрана преко текста: кућни задаци ALFWorld-а и задаци мобилних апликација AndroidWorld-а. Истраживачи су сваку конфигурацију покренули три пута на фиксним примерима задатака. Корак избора радње заменили су са Jev-ом, задржавајући околни ток рада сваког агента, укључујући друге позиве модела и интеракцију са окружењем.

## Где се променио завршетак задатака

У ALFWorld-у, верзије са Jev-ом остале су близу својих изворних конфигурација. ReAct је са Jev-ом завршио 96,02% задатака, наспрам 97,51% у основној верзији; Reflexion је завршио 98,01%, наспрам 99,75%. Истраживачи су тестирали и контролну верзију која је добила исте кандидатске радње као Jev, али је користила општи LLM да изабере међу њима. То је важно јер давање листе могућих радњи агенту мења и интерфејс и модел одлучивања.

Резултати на мобилним уређајима били су мање уједначени. Стопа завршетка T3A пала је са 57,47% на 44,25% уз Jev, што је разлика од 13,22 процентна поена. FastAgent је пао са 50,00% на 31,90%, односно за 18,10 поена. Bootstrap интервали у раду, груписани по кластерима задатака, за обе разлике били су потпуно испод нуле. AutoDroid је опао са 18,68% на 16,38%, али је његов интервал обухватао нулу; обе верзије завршиле су мање од једног од пет задатака. То су резултати тестираних интеграција, а не процене за сваки мобилни агент.

## Јефтинији покушај може више коштати по успеху

Jev је у пет породица смањио просечни трошак избора радњи за 66,1% до 78,4%, а време одлучивања за 73,9% до 81,5%. Пала је и просечна укупна цена задатака у свакој посматраној породици, али мање. Додатно закључивање, више радњи и време утрошено на интеракцију са окружењем појели су део локалне уштеде.

T3A најјасније показује разлику између плаћања за покушај и плаћања за исход. Његов просечни трошак inference-а по покушају задатка пао је 17,1%. Али када су истраживачи цену *свих* покушаја, укључујући неуспехе, поделили бројем завршених задатака, просек је порастао са 68,70 на 73,97 хиљадитих делова долара по успеху. Тај раст од 7,7% има интервал неизвесности који обухвата нулу, па студија не утврђује прецизан основни раст. Ипак, показује да мања потрошња по покушају у овом окружењу није гарантовала нижи забележени трошак испоруке.

Просечно време задатка FastAgent-а готово да се није променило упркос много бржим одлукама. Са мање завршених задатака, време по испорученом успеху порасло је са 239,4 на 377,8 секунди. Верзија са Jev-ом донела је 44,1% више одлука и, за разлику од основне, извршавала један алат по кораку. Та разлика у дизајну део је тестиране интеграције и ограничава колико се јаз може приписати само Jev-у.

Аутори су прегледали одабране трагове извршавања да би разумели шта се догодило после лошег избора. У једном мобилном задатку верзија са Jev-ом изабрала је прекидач за Wi-Fi са нејасном ознаком и прогласила задатак завршеним пре достизања циља. У ALFWorld покретањима Reflexion-а, Jev је био успешан у више првих покушаја него основна верзија, али је поправио мање почетних неуспеха: 11 од 19, наспрам 25 од 26. Ти разломци се односе на различите скупове неуспелих покушаја. Показују зашто је способност агента да примети и поправи грешку важна поред цене његове прве одлуке.

## Шта се променило

Најјасније је да су пријављене уштеде Jev-а остале видљиве на нивоу целог задатка тамо где је избор радњи чинио главни део посла, а завршетак остао висок. ReAct је био јефтинији и бржи по испорученом успеху. У мобилним интеграцијама, други позиви, време у окружењу и нижи завршетак умањили су или преокренули део користи. За градитеље система, рад нуди конкретно мерило: упоредити завршене задатке и ресурсе кроз *све* покушаје, па затим испитати опоравак и одлуке о заустављању. Цена позива или кашњење не могу да покажу да ли је ток рада испоручио више корисног посла.

Студија је користила текстуална запажања, ограничене изборе радњи, фиксне примерке задатака и три понављања са заједничким seed-ом. Трошкови користе наведене цене модела и сопствена правила обрачуна аутора. Агенти засновани на визуелним подацима, дужи токови рада и нове расподеле задатака нису обухваћени овим доказима. Рад процењује Jev у токовима рада агената; не тестира нити потврђује SubQ Snap.

## Извори и додатна литература

- [Препринт Ling-а и сарадника од 9. октобра, „Када брже одлуке не чине агенте бољим“](https://arxiv.org/html/2610.13092v1) приказује експеримент, потпуне табеле, анализу трагова и ограничења. [Апстракт са верзијом](https://arxiv.org/abs/2610.13092v1) означава ово као v1, објављену 9. октобра 2026. Резултати овде су налази које су пријавили аутори; BIG CHANGE није поновио тестирање.
- [Извештај BIG CHANGE-а о представљању Jev-а](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) објашњава првобитну понуду TypeSafe AI-а о моделу одлучивања. Нови препринт наставља ту причу мерењем целих задатака агената, а не тврдњи са представљања.

## Sources

- [Ling и сарадници, „Када брже одлуке не чине агенте бољим: емпиријска студија Jev-а у токовима рада агената“](https://arxiv.org/html/2610.13092v1) — Препринт v1 од 9. октобра 2026. Главни извор за дизајн, све пријављене резултате, анализу трагова и ограничења. Експерименти су налази аутора; BIG CHANGE их није репликовао.
- [Запис верзије рада на arXiv-у за 2610.13092v1](https://arxiv.org/abs/2610.13092v1) — Апстракт са верзијом потврђује идентитет верзије v1 од 9. октобра и општи обим студије. Потпуни HTML рада садржи нумеричке детаље.
- [BIG CHANGE, Већа опклада Jev-а: AI одлуке у софтверу који већ користимо](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) — Објављени чланак бр. 4 од 22. септембра 2026. Директан претходни текст са датумом и контекст за првобитну понуду TypeSafe AI-а за Jev, а не провера нове студије.