3.3万星Laya、2.3万星jev-ultrafast：一个33毫秒替你拍板，一个7秒替你搜完机票
这两周 GitHub 上涨得最凶的 AI 项目，一个比一个”窄”：不再有人堆大而全的 Agent 平台，而是把单一动作做到极致。我扒了仓库数据（截至 2026-10-14）：Laya（NandhaKishorM/laya）32.8K 星、2947 fork，9 月 18 日才建仓；jev-ultrafast（browser-use/jev-ultrafast）22.9K 星、1694 fork，9 月 16 日建仓。一个月出头，两个项目都破了两万星，而且都还在天天提交。
Laya：把”做决定”压到一次前向、33 毫秒
Laya 的定位一句话：非自回归的 System 1 决策引擎。它不写文案、不聊天，只回答”这事归谁管、有多急、风险多大”这类结构化问题——choice（选一类）、score（打个分）、noul（给个是/否的概率）。
关键是它不逐 token 往外蹦：所有问题在一次前向里全部出结果，官方标称 33 毫秒，覆盖 100 多种语言。工程上这套东西做得相当完整：
pip install laya就能用，Apache-2.0 协议，Python 3.10+；- 自带 Router，自动识别文本语言并分发到 english / multilingual 两套 checkpoint，长文档还能开
max_len=8192（4000 token 输入在 Apple GPU 上约 1.7 秒，作者实测 20 题对 16-18 题）； - 生态插件一次给齐：MCP、LangChain/LangGraph、LlamaIndex、CrewAI、ONNX、pydantic 结构化输出，还有 TypeScript 版
laya-ts（npm 可装）； - 训练方式是 RLCD——用强化学习对”严格适当评分规则”做优化，所以它给的概率不是拍脑袋的 softmax 噪声。
作者在 dev.to 上自述，这套非自回归决策模型他一年多前就做出来了。放到 Agent 工作流里，它的位置就是那个”前置路由器”：工单进来先让 Laya 分类、定优先级、算流失概率，再决定交给哪个贵模型——省钱的活儿，33 毫秒干完了。
jev-ultrafast：浏览器 Agent 不再”看一步想一步”
browser-use 家的这个仓库（Python、MIT 协议）解决的是浏览器 Agent 老慢的问题。传统做法是截图→大模型思考→输出动作→再截图，一轮好几秒。jev-ultrafast 换了个思路，给页面做一张带编号的元素表：
[1] button Change ticket type · Round trip
[2] combobox Where from? · San Francisco
[3] textbox Departure · empty
然后由 TypeSafe 的 Jev 模型在一次网络往返里同时决定”做什么操作”和”点哪个元素”：CLICK、TYPE_TEXT、SELECT、SCROLL_UP、SCROLL_DOWN、WAIT、DONE、BLOCKED 八种操作，每个目标头只放兼容的元素，点按钮就不可能吐出文本框。只有 TYPE_TEXT 这一步才调用小语言模型生成文字，README 里跑的是 OpenRouter 上的 inception/mercury-2.5。
效果是官方给出的实测：一个自然语言目标，苏黎世到伦敦的 Google Flights 单程搜索，7.1 秒跑完，还包含生成城市名和等页面加载。
本地跑起来也简单：uv sync、填 TYPESAFE_API_KEY 和 TEXT_MODEL_API_KEY，uv run jev 起 127.0.0.1:8766 的调试面板，能看每一步的操作概率、目标概率，还能”选下一步”暂停确认。仓库里没有任何站点专用脚本和预置字段，全靠模型对着元素表现选。
实话
先泼两盆冷水。第一，两个项目都刚满月，星数还在陡峭期，接口和 checkpoint 都可能变，生产环境慎入。第二，jev-ultrafast 不是零配置：TypeSafe 的 API key、OpenRouter 的文本模型 key 都得自己有，云版本还在 waitlist，白嫖党先掂量下。第三，别把 Laya 当聊天模型——它只会做结构化决策，指望它写周报是找错工具了。
但方向是清楚的：Agent 的下一波红利不在”更大的脑子”，而在把高频小动作做成 33 毫秒和 7 秒的专用件。贵模型只在真正需要推理时被调起来，其余时间让这些小家伙顶着——这才是普通开发者和小团队能省钱的地方。
