APUS công bố mã nguồn mở Jev: Bước tiến mới cho mô hình AI nội địa với khả năng ra quyết định trong tích tắc

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

20:32, 20/09/2026 Nguồn: QbitAI

Ngày 19 tháng 9, phòng thí nghiệm AI thuộc doanh nghiệp trí tuệ nhân tạo Trung Quốc APUS đã công bố một trong những kết quả tái hiện mã nguồn mở độc lập đầu tiên trên thế giới nhắm vào Jev.

Ngày 19 tháng 9, phòng thí nghiệm AI thuộc doanh nghiệp trí tuệ nhân tạo Trung Quốc APUS (Công ty Cổ phần Công nghệ Mạng Kỳ Lân Hợp Thịnh) đã công bố một trong những kết quả tái hiện mã nguồn mở độc lập đầu tiên trên thế giới nhắm vào Jev, đồng thời đóng gói thành Agent Skill "fast-browser-use" có thể sử dụng ngay, hỗ trợ thực thi ngoại tuyến (offline) với các mô hình thuần nội bộ. Dự án này hỗ trợ ba hệ điều hành máy tính để bàn và máy chủ phổ biến là macOS, Linux và Windows, có thể chạy trên máy chủ GPU hoặc trên các máy Mac và PC không có GPU. Toàn bộ mã nguồn được mở cho các nhà phát triển toàn cầu theo giấy phép MIT.

Jev và "mô hình ra quyết định" là gì?

Tên gọi Jev được lấy từ nhà kinh tế học thế kỷ 19 Jevons, ẩn ý về "Nghịch lý Jevons": sự sụt giảm chi phí sử dụng trí tuệ sẽ dẫn đến sự bùng nổ về nhu cầu sử dụng trí tuệ. Mô hình này hướng tới nhu cầu tần suất cao nhất trong quá trình vận hành của các Agent (tác nhân), đó là phân loại, lựa chọn, chấm điểm và phán đoán đúng sai, thay vì tạo văn bản từng chữ một mà trả về trực tiếp các câu trả lời đã được định dạng cùng xác suất tin cậy. Trong ngành, lộ trình này xác nhận sự "phân công nhanh - chậm" trong kiến trúc Agent: các mô hình lớn đắt đỏ chịu trách nhiệm cho các "suy nghĩ chậm" như lập kế hoạch, còn các "phán đoán nhanh" mang tính nguyên tử, tần suất cao sẽ được giao cho các mô hình ra quyết định nhẹ. Lớp kỹ thuật chịu trách nhiệm lắp ráp và điều phối sự phân công này được gọi trong ngành là Harness.

APUS đã tái hiện những gì?

APUS đã hiện thực hóa hoàn chỉnh mô hình ra quyết định nền tảng của Jev và áp dụng nó vào kịch bản đại diện nhất là tự động hóa trình duyệt (Browser-use). Dựa trên mô hình đầu vào và logic đánh giá được Jev công bố trong tài liệu, APUS đã phân tích ra logic cốt lõi là "bỏ qua giải mã tự hồi quy (auto-regressive decoding), chấm điểm trực tiếp từ trạng thái ẩn". Trong dự án mã nguồn mở, APUS đã tái hiện quá trình ra quyết định nhanh bằng Logits của một Token đơn lẻ, bỏ qua giải mã tự hồi quy, đồng thời hiện thực hóa cơ chế làm việc phát sóng KV-Cache và đánh giá hàng loạt đồng thời của Jev. Trong kịch bản tự động hóa trình duyệt, fast-browser-use sắp xếp các phần tử có thể nhìn thấy và tương tác thực tế trên trang web thành một tập hợp các hành động ứng viên có đánh số. Mô hình Qwen3.5-9B chạy nội bộ sẽ thực hiện quyết định "nhấp vào đâu, chọn cái nào" thông qua một lần tính toán chuyển tiếp duy nhất, loại bỏ về mặt cơ chế khả năng mô hình tạo ra các bộ chọn sai hoặc ảo giác định dạng. Dữ liệu đo lường thực tế do APUS công bố cho thấy: trên một chiếc laptop tiêu dùng Apple M2 Pro, tác nhân dựa vào suy luận mô hình nội bộ đã hoàn thành nhiệm vụ tìm kiếm Wikipedia thực tế hoàn toàn ngoại tuyến với thời gian trung bình khoảng 18 giây; các tác vụ như điền biểu mẫu, điều hướng trang web chỉ mất khoảng 3 giây; số lần chấm điểm của mô hình trên mỗi tác vụ chỉ là 4 lần; toàn bộ quá trình không gọi lên đám mây, không tốn phí API và dữ liệu người dùng không rời khỏi máy.

Phòng thí nghiệm AI của APUS cho biết, việc mở mã nguồn lần này mang ba ý nghĩa: Thứ nhất, xác nhận tính khả thi về mặt kỹ thuật của lộ trình "dùng mô hình làm Harness"; thứ hai, chứng minh rằng ngoài các API đóng, trọng số mã nguồn mở kết hợp với sức mạnh tính toán tại thiết bị (edge computing) cũng có thể hỗ trợ mô hình này, đồng thời dữ liệu được giữ nguyên trên máy, đáp ứng yêu cầu bảo mật dữ liệu của các cơ quan chính phủ và tài chính; thứ ba, cung cấp cho ngành một tài liệu tham khảo xác thực độc lập với dữ liệu minh bạch và mã nguồn có thể kiểm chứng. Trước đó, dữ liệu hiệu suất của Jev đều đến từ các bài tự kiểm tra của TypeSafe.

Theo giới thiệu, fast-browser-use đã được đóng gói thành Agent Skill tiêu chuẩn, các nhà phát triển có thể tích hợp vào các tác nhân lập trình phổ biến như Claude Code, Codex, OpenCode chỉ bằng một dòng lệnh. Phòng thí nghiệm AI của APUS cũng cho biết, sắp tới sẽ tiếp tục mở mã nguồn các Skill mới xoay quanh các kịch bản thao tác GUI máy tính để bàn, tương tác hệ điều hành nội bộ, v.v.

Theo tài liệu công khai, APUS được thành lập năm 2014, các sản phẩm và dịch vụ AI của hãng bao phủ 2,4 tỷ người dùng tại hơn 200 quốc gia và khu vực trên thế giới. Tháng 7 năm 2026, hãng công bố định vị thương hiệu mới là "Nhà xây dựng hệ sinh thái AI Agent toàn cầu", với lộ trình kỹ thuật cốt lõi là "theo đuổi công nghệ LLM tiên tiến nhất, thoát khỏi cuộc đua mô hình đơn thuần, đi sâu vào ứng dụng thực tế, tập trung vào giá trị đầu ra cho ngành". Trong tương lai, APUS sẽ tiếp tục lấy mô hình lớn tự nghiên cứu làm nền tảng, tập trung vào đổi mới công nghệ cốt lõi của AI Agent, xây dựng ma trận sản phẩm Agent bao phủ các kịch bản như kiểm soát rủi ro tài chính, phân tích tình báo, sáng tạo nội dung, y tế, v.v.

Địa chỉ dự án: https://github.com/APUS-AI-Lab/fast-browser-use

Bài viết này do APUS cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

Bản quyền thuộc về đơn vị sở hữu, không được phép đăng tải lại hoặc sử dụng dưới bất kỳ hình thức nào khi chưa được ủy quyền, mọi hành vi vi phạm sẽ bị xử lý theo quy định.