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

# Jev studija: jeftinije odluke, manje završenih mobilnih zadataka

> Studija Jev-a sa 4.500 izvršavanja utvrdila je jeftinije odluke agenata, ali su dve mobilne integracije završile manje zadataka, a jedna je prema posmatranom proseku trošila više po uspehu.

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.

Nova studija o Jev-u nastavlja pitanje koje je [izveštaj BIG CHANGE-a o septembarskom predstavljanju](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida)ostavio otvorenim: da li brži i jeftiniji izbori akcija poboljšavaju ceo posao? U 4.500 izvršavanja istraživači su pronašli jeftiniji izbor akcija kod svakog testiranog agenta. U dve integracije mobilnih agenata završetak zadataka opao je dovoljno da promeni ekonomiku isporučenog rezultata.

Ovaj [preprint od 9. oktobra](https://arxiv.org/html/2610.13092v1) predstavlja eksperiment koji su prijavili autori, a ne nezavisnu replikaciju ili test BIG CHANGE-a. Pet porodica agenata radilo je u dva okruženja posmatrana tekstom: kućni zadaci ALFWorld-a i zadaci mobilnih aplikacija AndroidWorld-a. Istraživači su svaku konfiguraciju pokrenuli tri puta na fiksnim instancama zadataka. Korak izbora akcije zamenili su Jev-om, uz zadržavanje okolnog toka rada svakog agenta, uključujući druge pozive modela i interakciju sa okruženjem.

## Gde se završetak promenio

U ALFWorld-u, Jev varijante ostale su blizu originalnih konfiguracija. ReAct je uz Jev završio 96,02% zadataka, naspram 97,51% u osnovnoj verziji; Reflexion je završio 98,01%, naspram 99,75%. Istraživači su testirali i kontrolu koja je primala iste kandidate akcija kao Jev, ali je koristila opšti LLM za izbor. To je važno jer davanje liste kandidata agentu menja i interfejs i model odlučivanja.

Mobilni rezultati bili su manje ujednačeni. Stopa završetka T3A sa Jev-om pala je sa 57,47% na 44,25%, razlika je 13,22 procentna poena. FastAgent je pao sa 50,00% na 31,90%, razlika je 18,10 poena. Bootstrap intervali u radu, grupisani po klasterima zadataka, za obe razlike bili su potpuno ispod nule. AutoDroid je opao sa 18,68% na 16,38%, ali je njegov interval uključivao nulu; obe verzije su završile manje od jednog od pet zadataka. To su rezultati testiranih integracija, a ne procene za sve mobilne agente.

## Jeftiniji pokušaj može više koštati po uspehu

U pet porodica, Jev je smanjio prosečni trošak izbora akcija za 66,1% do 78,4%, a vreme odlučivanja za 73,9% do 81,5%. Prosečan ukupan trošak zadataka pao je u svakoj posmatranoj porodici, ali manje. Dodatno rezonovanje, više akcija i vreme interakcije sa okruženjem potrošili su deo lokalne uštede.

T3A najjasnije pokazuje razliku između plaćanja pokušaja i plaćanja ishoda. Njegov prosečni inference trošak po pokušaju zadatka pao je 17,1%. Ali kada su istraživači trošak  *svih* pokušaja, uključujući neuspehe, podelili brojem završenih zadataka, prosek je porastao sa 68,70 na 73,97 hiljaditih delova dolara po uspehu. Rast od 7,7% ima interval neizvesnosti koji prelazi nulu, pa studija ne utvrđuje precizan osnovni rast. Pokazuje da niža potrošnja po pokušaju u ovom okruženju nije garantovala niži posmatrani trošak isporuke.

Prosečno vreme zadatka FastAgent-a gotovo se nije promenilo uprkos mnogo bržim odlukama. Uz manje završenih zadataka, vreme po isporučenom uspehu poraslo je sa 239,4 na 377,8 sekundi. Jev verzija donela je 44,1% više odluka i, za razliku od osnovne, izvršavala jedan alat po koraku. Ta razlika u dizajnu deo je testirane integracije i ograničava koliko se jaza može pripisati samo Jev-u.

Autori su pregledali odabrane tragove da bi razumeli šta se dogodilo posle lošeg izbora. U jednom mobilnom zadatku Jev verzija izabrala je Wi-Fi prekidač sa dvosmislenom oznakom i proglasila završetak pre dostizanja cilja. U Reflexion ALFWorld pokretanjima, Jev je uspeo u više prvih pokušaja nego osnovna verzija, ali je oporavio manje početnih neuspeha: 11 od 19, naspram 25 od 26. Ti razlomci odnose se na različite skupove neuspelih pokušaja. Pokazuju zašto je sposobnost agenta da primeti i popravi grešku važna i mimo cene njegove prve odluke.

## Velika promena

Prijavljena ušteda Jev-a najjasnije je opstala na nivou zadatka tamo gde je izbor akcija činio najveći deo posla, a završetak ostao visok. ReAct je bio jeftiniji i brži po isporučenom uspehu. U mobilnim integracijama drugi pozivi, vreme u okruženju i niži završetak umanjili su ili preokrenuli deo koristi. Za graditelje, rad nudi konkretan način merenja: porediti završene zadatke i resurse kroz  *sve* pokušaje, a zatim ispitati oporavak i odluke o zaustavljanju. Cena poziva ili kašnjenje ne mogu da odgovore da li je tok rada isporučio više korisnog posla.

Studija je koristila tekstualna zapažanja, ograničen izbor akcija, fiksne instance zadataka i tri ponavljanja sa zajedničkim seed-om. Brojke o troškovima koriste navedene cene modela i sopstvena pravila obračuna autora. Vizuelno utemeljeni agenti, duži tokovi rada i nove raspodele zadataka nisu obuhvaćeni ovim dokazima. Rad procenjuje Jev u tokovima rada agenata; ne testira niti potvrđuje SubQ Snap.

## Izvori i dodatna literatura

- [Preprint Ling-a i saradnika od 9. oktobra, „Brže odluke ne čine agente boljim“](https://arxiv.org/html/2610.13092v1)prikazuje eksperiment, pune tabele, analizu tragova i ograničenja. [Apstrakt sa verzijom](https://arxiv.org/abs/2610.13092v1)identifikuje ga kao v1, objavljen 9. oktobra 2026. Rezultati ovde predstavljaju nalaze koje su prijavili autori; BIG CHANGE nije ponovio eksperiment.
- [Izveštaj BIG CHANGE-a o Jev predstavljanju](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida)objašnjava prvobitnu ponudu TypeSafe AI-a za model odlučivanja. Novi preprint nastavlja tu priču merenjem celih zadataka agenata umesto tvrdnji sa predstavljanja.

## Sources

- [Ling i dr., „Brže odluke ne čine agente boljim: empirijska studija Jev-a u tokovima rada agenata“](https://arxiv.org/html/2610.13092v1) — Preprint v1 od 9. oktobra 2026. Glavni izvor za dizajn, sve prijavljene rezultate, analizu tragova i ograničenja. Eksperimenti su nalazi autora; BIG CHANGE ih nije replicirao.
- [Zapis arXiv verzije za 2610.13092v1](https://arxiv.org/abs/2610.13092v1) — Apstrakt sa verzijom potvrđuje identitet v1 od 9. oktobra i širok obim studije. Potpuni HTML rad sadrži numeričke detalje.
- [BIG CHANGE, Veća opklada Jev-a: AI odluke u softveru koji već koristimo](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) — Objavljeni članak #4 od 22. septembra 2026. Direktan prethodni članak sa datumom i kontekst za prvobitnu ponudu TypeSafe AI-a za Jev, a ne potvrda nove studije.