Markdown பதிப்பு

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

# Jev ஆய்வு: மலிவான முடிவுகள், நிறைவான மொபைல் பணிகள் குறைவு

> 4,500 செயலாக்க ஆய்வில் இரண்டு மொபைல் ஒருங்கிணைப்புகள் குறைவான பணிகளை முடித்தன; காணப்பட்ட சராசரியில் ஒன்று ஒவ்வொரு வெற்றிக்கும் அதிகம் செலவிட்டது.

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.

Jev பற்றிய புதிய ஆய்வு, [செப்டம்பர் வெளியீடு குறித்த BIG CHANGE செய்தி](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) திறந்துவிட்ட கேள்வியைத் தொடர்கிறது: வேகமான, மலிவான செயல் தேர்வுகள் முழுப் பணியையும் மேம்படுத்துமா? 4,500 செயலாக்கங்களில் சோதிக்கப்பட்ட ஒவ்வொரு முகவரிலும் செயல் தேர்வு மலிவானதாக இருந்ததை ஆய்வாளர்கள் கண்டனர். இரண்டு மொபைல் முகவர் ஒருங்கிணைப்புகளில் பணி நிறைவு கடுமையாகக் குறைந்து, வழங்கப்பட்ட முடிவின் பொருளாதாரக் கணக்கை மாற்றியது.

இந்த [அக்டோபர் 9 முன்வெளியீடு](https://arxiv.org/html/2610.13092v1) ஆசிரியர்கள் தெரிவித்த சோதனை; சுயாதீன மறுநிகழ்த்தல் அல்லது BIG CHANGE சோதனை அல்ல. ஐந்து முகவர் குடும்பங்கள் உரை மூலம் கவனிக்கப்பட்ட இரண்டு சூழல்களில் செயல்பட்டன: ALFWorld வீட்டு வேலைகள், AndroidWorld மொபைல் செயலி வேலைகள். ஒவ்வொரு அமைப்பையும் நிலையான பணி நிகழ்வுகளில் மூன்றுமுறை ஆய்வாளர்கள் இயக்கினர். பிற மாதிரி அழைப்புகள், சூழல் தொடர்பு உள்ளிட்ட முகவரின் மற்ற பணிச்செயல்முறையை வைத்துக்கொண்டு, செயல் தேர்வு கட்டத்தை Jev ஆல் மாற்றினர்.

## நிறைவு எங்கு மாறியது

ALFWorld இல் ReAct 96.02% இலிருந்து 97.51% ஆகவும் Reflexion 98.01% இலிருந்து 99.75% ஆகவும் உயர்ந்தன. கட்டுப்பாட்டில் Jev போன்ற வேட்புச் செயல்கள் இருந்தாலும், அவற்றில் பொதுவான பெரிய மொழி மாதிரி தேர்வு செய்தது; வேட்புப் பட்டியலும் மாதிரியும் இடைமுகத்தை மாற்றுகின்றன.

மொபைல் முடிவுகளில் T3A 57.47% இலிருந்து 44.25% ஆக (13.22 சதவீதப் புள்ளிகள்), FastAgent 50.00% இலிருந்து 31.90% ஆக (18.10 புள்ளிகள்) குறைந்தன. பணி-குழு பூட்ஸ்ட்ராப் இடைவெளிகள் பூஜ்யத்திற்குக் கீழ் இருந்தன. AutoDroid 18.68% இலிருந்து 16.38% ஆகக் குறைந்தது; அதன் இடைவெளியில் பூஜ்யம் அடங்கும். இரு மொபைல் அமைப்புகளும் ஐந்து பணிகளில் ஒன்றுக்கும் குறைவையே முடித்தன; இவை சோதிக்கப்பட்ட ஒருங்கிணைப்புகள், எல்லா முகவர்களும் அல்ல.

## மலிவான முயற்சி வெற்றிக்கு அதிகச் செலவாகலாம்

ஐந்து குடும்பங்களிலும் Jev சராசரி செயல்-தேர்வு செலவை 66.1–78.4% ஆகவும் முடிவு நேரத்தை 73.9–81.5% ஆகவும் குறைத்தது. முழுப் பணிக்கான சராசரிகளும் குறைந்தன, ஆனால் குறைவாக; கூடுதல் பகுத்தறிவு, செயல்கள், சூழல் தொடர்பு சேமிப்பின் ஒரு பகுதியை எடுத்தன.

T3A இல் ஒவ்வொரு முயற்சிக்குமான சராசரி inference செலவு 17.1% குறைந்தது; உரை ‘செலவு ’  *எல்லா* முயற்சிகளுக்கும்—தோல்விகளையும் சேர்த்து—செலவை முடிந்த பணிகளின் எண்ணிக்கையால் வகுத்தபோது, வெற்றிக்கான சராசரி டாலரின் ஆயிரத்தில் ஒரு பங்கு 68.70 இலிருந்து 73.97 ஆக உயர்ந்தது. 7.7% உயர்வின் நிச்சயமற்ற இடைவெளி பூஜ்யத்தை உள்ளடக்குகிறது; எனவே துல்லியமான அடிப்படை உயர்வை ஆய்வு நிறுவவில்லை. இந்த அமைப்பில் முயற்சிக்கான குறைந்த செலவு, காணப்பட்ட வழங்கல் செலவையும் குறைக்கும் என உறுதி செய்யவில்லை என்பதையே காட்டுகிறது.

முடிவுகள் வேகமானாலும் FastAgent இன் சராசரி நேரம் ஏறத்தாழ மாறவில்லை; குறைவான நிறைவு காரணமாக வெற்றிக்கான விநாடிகள் 239.4 இலிருந்து 377.8 ஆக உயர்ந்தன. Jev பதிப்பு 44.1% கூடுதல் முடிவுகளை எடுத்தது; அடிப்படை பதிப்பைப் போலல்லாமல் ஒவ்வொரு படியிலும் ஒரு கருவியை இயக்கியது. இதனால் காரணத்தை ஒதுக்குவதற்கு வரம்பு உண்டு.

Trace ஆய்வில் மொபைல் முகவரின் தெளிவற்ற Wi-Fi மாற்றமும் இலக்கிற்கு முன்பே நிறைவு அறிவிப்பும் காணப்பட்டன. ALFWorld இல் Reflexion முதல் முயற்சி வெற்றிகளை அதிகமாகப் பெற்றாலும் மீட்புகள் குறைவு: 11/19 எதிராக 25/26. தோல்வியடைந்த தொகுப்புகள் வேறுபட்டன; பிழையைக் கண்டறிந்து சரிசெய்வது முக்கியம்.

## பெரிய மாற்றம்

தேர்வே ஆதிக்கம் செய்து நிறைவு அதிகமாக இருந்த இடங்களில் தெரிவிக்கப்பட்ட சேமிப்பு பணி மட்டத்திலும் நீடித்தது; ReAct வெற்றிக்கு மலிவாகவும் வேகமாகவும் இருந்தது. பிற மொபைல் முகவர்களில் கூடுதல் அழைப்புகள், சூழல் நேரம், குறைந்த நிறைவு ஆகியவை நன்மையைக் குறைத்தன அல்லது மாற்றின; அளவீடு  *எல்லா* முயற்சிகளிலும் முடிந்த பணிகளையும் வளங்களையும் ஒப்பிட்டு, பின்னர் மீட்பு, நிறுத்த முடிவுகளை ஆய்வு செய்ய வேண்டும். ஒரு அழைப்பின் விலை அல்லது தாமதம் மட்டும் பணிச்செயல்முறை அதிக பயனுள்ள வேலையை வழங்கியதா என்று சொல்லாது.

ஆய்வு முறை மற்றும் வரம்புகளை விளக்குகிறது; இது SubQ Snap ஐச் சரிபார்க்கவில்லை.

## Ling மற்றும் சக ஆசிரியர்களின் அக்டோபர் 9 முன்வெளியீடு, ‘When Faster Decisions Do Not Make Better Agents’

- [ சோதனை, முழு அட்டவணைகள், trace ஆய்வு, வரம்புகளைப் பதிவு செய்கிறது. ](https://arxiv.org/html/2610.13092v1)பதிப்பு பதிவு[இது 2026 அக்டோபர் 9 அன்று வெளியிடப்பட்ட v1 எனக் குறிப்பிடுகிறது. இங்குள்ள முடிவுகள் ஆசிரியர்கள் தெரிவித்தவை; BIG CHANGE ஆய்வை மீண்டும் செய்யவில்லை.](https://arxiv.org/abs/2610.13092v1)Jev வெளியீடு குறித்த BIG CHANGE செய்தி
- [TypeSafe AI இன் அசல் முடிவு-மாதிரி முன்மொழிவை விளக்குகிறது. புதிய முன்வெளியீடு வெளியீட்டு கூற்றுகளுக்குப் பதிலாக முழு முகவர் பணிகளை அளந்து அந்தக் கதையை விரிவாக்குகிறது.](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida)Ling மற்றும் சக ஆசிரியர்கள், ‘When Faster Decisions Do Not Make Better Agents’ (முன்வெளியீடு, 2026).

## Sources

- [முதன்மை ஆதாரம்; அக்டோபர் 9 v1. முடிவுகள் ஆசிரியர்கள் தெரிவித்த சோதனைகள்; சுயாதீன மறுநிகழ்த்தல் இல்லை.](https://arxiv.org/html/2610.13092v1) — arXiv முன்வெளியீட்டு பதிப்பு பதிவு.
- [v1 மற்றும் 2026 அக்டோபர் 9 தேதியை உறுதிப்படுத்துகிறது.](https://arxiv.org/abs/2610.13092v1) — BIG CHANGE: Jev வெளியீட்டு செய்தி.
- [முழு முகவர் பணி ஆய்வுக்கு முன் TypeSafe AI இன் செயல்-தேர்வு முன்மொழிவைச் சூழலுடன் விளக்குகிறது.](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) — TypeSafe AI இன் அசல் செயல்-தேர்வு முன்மொழிவுக்குச் சூழல்; புதிய ஆய்வை இது சரிபார்க்கவில்லை.