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

# Jev研究：决策成本更低，移动任务完成数更少

> 一项涵盖4,500次执行的Jev研究发现，智能体决策成本更低，但两个移动端集成完成的任务更少，其中一个按观察到的平均值计算，每次成功的成本反而更高。

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.

一项关于Jev的新研究接续了BIG CHANGE报道其9月发布时留下的问题：更快、更便宜的行动选择能否改善整个任务？在4,500次执行中，研究人员发现，每个受测智能体的行动选择成本都更低。在两个移动智能体集成中，任务完成率下降幅度足以改变交付结果的经济性。[BIG CHANGE对其9月发布的报道](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida)所留下的问题是：更快、更便宜的行动选择能否改善整个任务？在4,500次执行中，研究人员发现，每个受测智能体的行动选择成本都更低。在两个移动智能体集成中，任务完成率下降幅度足以改变交付结果的经济性。

这份[10月9日预印本](https://arxiv.org/html/2610.13092v1)报告的是作者开展的实验，并非独立复现或BIG CHANGE测试。五类智能体在两个通过文本观测的环境中运行：ALFWorld家务任务和AndroidWorld移动应用任务。研究人员在固定任务实例上对每种配置运行了三次。他们用Jev替换行动选择步骤，同时保留各智能体周边的工作流程，包括其他模型调用和环境交互。

## 完成率发生变化的地方

在ALFWorld中，采用Jev的版本与原始配置接近。ReAct使用Jev时完成了96.02%的任务，基线为97.51%；Reflexion完成了98.01%，基线为99.75%。研究人员还测试了一个对照组：它接收与Jev相同的候选行动，但使用通用LLM在其中选择。这一点很重要，因为向智能体提供候选列表既改变了接口，也改变了决策模型。

移动端结果则不那么一致。T3A使用Jev后的完成率从57.47%降至44.25%，相差13.22个百分点。FastAgent从50.00%降至31.90%，相差18.10个百分点。论文对任务簇进行自助抽样所得的两个差异区间都完全低于零。AutoDroid从18.68%降至16.38%，但其区间包含零；两个版本完成的任务都不足五分之一。这些结果针对受测集成，不能外推为所有移动智能体的估计。

## 一次尝试更便宜，每次成功的成本却可能更高

在五类智能体中，Jev将行动选择的平均成本降低了66.1%至78.4%，决策时间降低了73.9%至81.5%。各类智能体观察到的平均总任务成本也有所下降，但幅度较小。额外推理、更多行动，以及与环境交互耗费的时间抵消了部分局部节省。

T3A最清楚地体现了为一次尝试付费与为一个结果付费之间的差别。它每次任务尝试的平均推理成本下降了17.1%。但研究人员将*所有*尝试（包括失败）的成本除以完成任务数后，平均每次成功的成本从0.06870美元升至0.07397美元。这一增幅为7.7%，其不确定性区间跨过零，因此研究无法确立一个精确的潜在增幅。研究确实表明，在这一设置下，每次尝试花费较少并不保证观察到的交付成本更低。

尽管决策快得多，FastAgent的平均任务耗时几乎没有变化。完成的任务更少后，每次交付成功所需时间从239.4秒升至377.8秒。Jev版本做出的决策多了44.1%，而且与基线不同，每个步骤只执行一个工具。这种设计差异属于受测集成的一部分，因此不能把差距全都归因于Jev。

研究人员检查了部分执行轨迹，以了解错误选择后发生了什么。在一个移动任务中，Jev版本选中了一个标签含糊的Wi-Fi开关，并在目标尚未达成前就宣布完成。在Reflexion的ALFWorld运行中，Jev比基线在更多首次试验中成功，但弥补初始失败的次数更少：19次失败中恢复11次，而基线为26次中的25次。这些分数对应不同的失败尝试集合。它们说明，除了首次决策的成本，智能体发现并修复错误的能力也很重要。

## 重大变化

Jev报告的决策节省在行动选择占据主要工作且完成率保持较高的场景中，最明显地延伸到了任务层面。ReAct每次交付成功的成本和耗时都更低。在移动端集成中，其他调用、环境耗时和较低完成率削弱或逆转了部分收益。对构建者而言，论文提出了一种具体的测量方法：比较*所有*尝试中的已完成任务数与资源消耗，再检查恢复和停止决策。单次调用的价格或延迟无法回答某个工作流程是否交付了更多有用工作。

这项研究使用文本观测、有限的行动选项、固定任务实例，并以共享种子重复三次。成本数字采用了论文列出的模型价格和自有核算规则。视觉接地的智能体、更长的工作流程和新的任务分布不在这些证据范围内。论文评估的是Jev在智能体工作流程中的表现，并未测试或验证SubQ Snap。

## 来源与延伸阅读

- [Ling等人10月9日发布的预印本《更快的决策不会让智能体变得更好》](https://arxiv.org/html/2610.13092v1)报告了实验、完整表格、执行轨迹分析和局限性。该[版本化摘要](https://arxiv.org/abs/2610.13092v1)将其标记为2026年10月9日发布的v1版。本文所述结果是作者报告的发现，BIG CHANGE未重新运行实验。
- [BIG CHANGE关于Jev发布的报道](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida)解释了TypeSafe AI最初对决策模型的宣传。新预印本通过测量完整的智能体任务而非发布时的说法，延续了这条报道。

## Sources

- [Ling等人，《更快的决策不会让智能体变得更好：Jev在智能体工作流程中的实证研究》](https://arxiv.org/html/2610.13092v1) — 2026年10月9日发布的v1预印本。研究设计、全部报告结果、轨迹分析和局限性的主要来源。实验结果由作者报告；BIG CHANGE未复现。
- [2610.13092v1的arXiv版本记录](https://arxiv.org/abs/2610.13092v1) — 版本化摘要确认这是10月9日发布的v1版并概述研究范围；完整HTML论文提供了数值细节。
- [BIG CHANGE，Jev的更大押注：AI决策进入我们已经在用的软件](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) — 2026年9月22日发布的文章#4。作为直接的日期关联前文，介绍TypeSafe AI最初对Jev的宣传，但不能用于验证这项新研究。