一句话总结
上周（w39）的热榜关键词是「精装修」——Agent 的输出要像样。本周（w40）只发生了一件事：Jev 把整个榜单吃了。TypeSafe 的 System One 模型发布一周后，名称里带
jev的新仓库达到 2,982 个，星标榜 TOP 10 里有 7 个是它的生态项目。榜首browser-use/jev-ultrafast七天拿到 11,911 星，把「浏览器 Agent 慢」这件事按到了 7.1 秒。但另一面同样刺眼：有项目 699 星却挂着 1,666 个 fork——「星标」这个我们用了十年的热度指标，正在失真。
数据来源
本文数据来自 GitHub Search API（search/repositories?q=created:2026-09-14..2026-09-21&sort=stars），抓取时间 2026-09-21 09:00（北京时间）。
⚠️ 必须说明的一点：本周 github.com/trending 页面在本机网络环境下不可达（连接超时，代理亦不可用），因此本文不用「周榜增减星」口径，而改用 「本周新建仓库总星数」 口径。好消息是本周 TOP 10 全部创建于 9 月 14-21 日之间，对这批仓库来说总星数 ≈ 本周新增星数，两者等价。星标、fork、许可证、语言均取自 GitHub API 实时值。
No.1 browser-use / jev-ultrafast ⭐ 11,911
浏览器 Agent 的动作空间，交给 Jev 来选。 语言：Python · 协议：MIT · 创建：09-16
README 的开头只有三个词：
i. am. speed.
它做的事情可以一句话说清：给一个目标，Jev 选出「哪个操作 + 哪个元素」，只有操作是 TYPE_TEXT 时才叫一个小模型去写文本。 官方给出的成绩是——
苏黎世 → 伦敦的 Google Flights 查询，7.1 秒完成。 包含真实文本生成和页面加载等待。
测试结果和决策过程的截图都在仓里：
为什么它能登顶：browser-use 是浏览器 Agent 领域最知名的开源组织，这次它把「决定点哪里」这件事从「让 LLM 生成一段 JSON 再解析」换成了「让 Jev 直接给出动作与元素的概率分布」。延迟从「一次生成」降到「一次前向」——这正是 System One 类模型最直接的变现场景。仓库同时挂着 Browser Use Cloud 的等候名单，商业路径写得很直白。
仓库地址：github.com/browser-use/jev-ultrafast
No.2 tamaratran / fast-jev-compaction ⭐ 5,189
用决策模型治「上下文压缩会丢信息」。 语言：TypeScript · 协议：MIT · 创建：09-17
Claude Code 的上下文压缩（compaction）一直是件有损的事：让 LLM 把旧对话「总结一下」，于是文件路径、报错原文、硬性约束这些不该丢的东西经常一起消失。
这个插件的思路反过来：不重写任何内容，只删除。 每一次 tool_use 和 tool_result 都送进 Jev 打一次分，说不需要的就丢掉或截断，留下来的保持逐字原样；用户和助手的正文永不改写、顺序永不变动。第一条消息和最近若干条消息被固定保护，不参与删除。
它同时是 npm 包（src/）和 Claude Code 插件（hooks/、.claude-plugin/）。这是本周最能体现「Jev 不只是个玩具」的项目——把一个概率决策模型塞进了真实开发工具的 hot path 上。
仓库地址：github.com/tamaratran/fast-jev-compaction
No.3 NandhaKishorM / laya ⭐ 4,180
100+ 语言、单次前向、33 毫秒的类型化决策引擎。 语言：Python · 协议：Apache-2.0 · 创建：09-18
Laya 是本周唯一一个能独立站住的 System One 同赛道项目：多语言、非自回归，一次前向输出类型化决策，官方给的数字是 33 ms；训练上用严格适当评分规则（strictly proper scoring rules）+ 强化学习（RLCD），并且带一个「按请求挑检查点」的路由器。权重已上 Hugging Face（convaiinnovations/laya），附一个开箱即用的 Colab。
图片说明：该对比图来自
NandhaKishorM/laya仓库 README，版权归原作者所有，此处按开源仓库公开资料引用。
仓库地址：github.com/NandhaKishorM/laya
No.4 robbietilton / Compositor ⭐ 3,685
「Photoshop 太贵，GIMP 用不顺手，所以我自己写了一个。」 语言：Swift · 协议：MIT · 创建：09-16
作者的自述极其朴素：他用 Photoshop 做合成和后处理，但订阅太贵，而 GIMP 的操作习惯又「不足以让我保持心流」，于是写了 Compositor——一个完全免费开源、面向 Mac 的全功能图像编辑器。
功能清单看起来不像一周作品：图层与图层组、混合模式与不透明度、图层蒙版（可绘制/填充/反相/模糊/羽化，可链接或解链）、剪贴蒙版与组蒙版、调整图层（色相饱和度、色阶、曲线、曝光、渐变映射、颗粒）、合并图层/组（⌘E）、拖拽嵌套与复制、跨项目拖拽图层、非破坏性移动缩放旋转翻转。
它和 Jev 一点关系都没有，却排在第 4——这本身就是本周榜单里最有价值的信号之一：在概念满天飞的一周里，一个「解决我自己问题」的原生 App 依然能被顶上来。
仓库地址：github.com/robbietilton/Compositor
No.5 TheoLeeCJ / SemIf ⭐ 2,450
在 3090 上，把「语义 if」跑起来。 语言：Python · 协议：MIT · 创建：09-16
SemIf 的前身叫 OpenJev，作者在 README 里主动声明：独立项目，与 Jev / TypeSafe 无隶属或背书关系。它的宣传语很直接：
Wow! No waitlist.（不用排队，今天就能在浏览器里跑。）
它提供了一个 WebGPU 演示，并在 README 里放了一段对照回放：同一个冻结的 4B 模型、同一个状态、同样 21 个问题，分别测量后对齐到 t=0 ——语义决策的结果同时出现，而 JSON 是一个 token 一个 token 流出来的。 这段回放把 System One 与「流式生成 + 解析」的差别做成了肉眼可见的对比。
仓库地址：github.com/TheoLeeCJ/SemIf
No.6 mcncarl / jianying-headless ⭐ 1,995
剪映专业版（macOS）的本地自动化：从结构化剪辑计划直接生成可编辑草稿。 语言：Python · 创建：09-15
这是本周榜单里唯一的中文原生项目，做的事情非常具体：把一份结构化剪辑计划转成可编辑的剪映草稿，在独立副本里改多轨工程，再调用本机剪映引擎导出 MP4。支持视频分段、多轨组合、变速、音量、画中画、字幕标题；可导入视频/PNG/JPEG/GIF/配音/音乐/音效；提供 Python 命令行入口和配套 Agent Skill。
它明确写了两句实话：「不是剪映官方 SDK，运行时需要安装匹配版本的剪映」，主要适配 11.5.0、兼容 11.4.2，且尚不保证任意电脑安装即用。README 还专门给了一篇《从零生成第一个剪映草稿》的新手教程。
值得注意的数据：1,995 星对应 1,260 个 fork——fork/star 比接近 0.63，在榜单里偏高（下文会展开谈这件事）。
仓库地址：github.com/mcncarl/jianying-headless
No.7 mizorewww / laya-mlx ⭐ 1,708
在 Apple Silicon 上原生跑 Laya：短决策 13.4 毫秒，多语言检查点 7.4 毫秒，输出 0 个 token。 语言：Python · 协议：Apache-2.0 · 创建：09-19
Laya 主仓库上线一天后，MLX 原生运行时就跟上了：不走 PyTorch、不挂 Transformers 运行时、不连云端 API，纯本地 MLX 推理。README 里附了一段原速渲染的真机贪吃蛇演示——蛇的每一步都真的在调用 Laya，并且有一个可见的「安全层」可以在 Laya 给出不安全建议时纠正它。
中文文档齐全（README.zh-CN.md），权重在 Hugging Face（aac6fef/laya-mlx）。主模型 + 本地运行时同日就位，是本周 Jev 系生态成熟度的一个缩影。
仓库地址：github.com/mizorewww/laya-mlx
No.8 jarrodwatts / jev-trader ⭐ 1,533
每一个 Monad 区块做一次 AI 交易决策。 语言：TypeScript · 协议：MIT · 创建：09-16
一个 Jev 模型盯着 Kuru 的 MON-USDC 订单簿，每约 300 毫秒回答一次「买还是卖」；每个区块都在对应方向挂一个 post-only 限价单，挂在盘口内侧一个 tick，并替换掉上一单——成交发生在吃单方撞上来时，所以它赚的是价差而不是付价差。
安全设计也做得很克制：不填 PRIVATE_KEY 就是 dry-run（真实订单簿、真实决策、模拟成交）；默认 MODEL=mock 用动量启发式顶上，要接真 Jev 才需要设 MODEL=jev + API key。线上有一个 Railway 部署的公开 dashboard，支持 SSE 推流。
仓库地址：github.com/jarrodwatts/jev-trader
No.9 TianyuCodings / NanoJev ⭐ 1,410
0.6B 的 Jev 复刻：状态和问题进去，完整的概率分布出来，零输出 token 解码。 语言：Python · 协议：MIT · 创建：09-17
这是一个从零复刻 + 端到端训练管线的项目，规模压到 0.6B，跑四个游戏任务：ViZDoom（Basic 瞄准 + Predict Position 移动靶火箭弹，共用一个检查点）、迷宫、贪吃蛇。数据集口径写得很细：4 个任务、每个数据变体 18,760 个决策问题、896 段 Predict Position 专家轨迹。提供中英文双 README、Hugging Face 模型与数据集，还有在线试玩页面（支持自动播放）。
它解决的是「Jev 是个 API 服务，我看不到里面」的问题——想看训练管线的人，现在有一个能读完的版本。
仓库地址：github.com/TianyuCodings/NanoJev
No.10 bespokelabsai / nimble ⭐ 1,108
开源 Jev 的「数据 + 模型 + 配方」三件套。 语言：Python · 创建：09-18
Bespoke Labs 放出了 Bespoke-Nimble-9B，思路很干净：一次读完 prompt，然后每个问题只打分一个答案 token。数据侧的做法是「只改一个事实，让正确答案翻转」来做对比式数据筛选；训练侧是对 Qwen3.5-9B 做 LoRA，且只在答案 token 上算损失。
结果数字给得很诚实：在 324 个留出样本上，Bespoke-Nimble-9B 匹配参考标签 90.1%，底座模型是 66.4%，而 Jev 1.13.0 是 93.2%——追得很近，但没有超过。 这种把「我们还没赢」写在简介里的做法，在这一周的榜单上并不常见。
仓库地址：github.com/bespokelabsai/nimble
榜单之外：三个被数据点名的信号
① 这不是「几个项目」，是「一次集群式繁殖」。 用 GitHub Search API 按名字筛选，2026-09-14 至 09-21 之间新建、名称含 jev 的仓库有 2,982 个；名称或简介提到 typesafe 的 1,676 个；连 laya 这个名字都长出了 144 个新仓库，systemone 有 40 个。同时 GitHub Next（GitHub 官方实验部门）也下场了：githubnext/localjev ⭐613，用 TypeScript 为 Bun 写了一个本地 Jev 兼容的 POST /v1/systemone 端点，还专门解释了为什么需要桥接层——因为 Jev 用的是类型化决策 API，而不是 OpenAI 式的 chat API。
② 「星标」这个指标，本周出现了肉眼可见的失真。 榜单上有两种极端：
| 项目 | 星标 | Fork | Fork/星标 |
|---|---|---|---|
browser-use/jev-ultrafast | 11,911 | 740 | 0.06 |
tamaratran/fast-jev-compaction | 5,189 | 286 | 0.06 |
mcncarl/jianying-headless | 1,995 | 1,260 | 0.63 |
jackwener/wx-cli-again | 699 | 1,666 | 2.38 |
健康的高热仓库，fork/星标通常在 0.05-0.15 之间（前两行完全正常）。而 wx-cli-again（Rust 写的微信本地数据 CLI，查询/解密/导出）fork 数是星标数的 2.4 倍——这个比例在自然增长的项目里几乎不可能出现，通常意味着有人批量 fork 仓库（fork 会进入公开网络、可被当作分发或占位手段）。结论不是「这些项目是假的」，而是：看到高星仓库时，fork 数、issue 数、贡献者数量都得一起看。
③ 剩下的名额全给了「不蹭概念」的项目。 去除 Jev 系之后，本周真正被顶上来的是这几类：robbietilton/Compositor（Mac 原生开源 Photoshop 替代，3,685 星）、theoephraim/awesome-cloudflare-selfhosted（741 星，一份「用你自己的 Cloudflare 账号替代 SaaS」的清单，每个条目都去读项目自己的 license 文件与部署配置来核验，而不是信简介）、korcarc/text-humanizer（736 星，把 AI 生成文本改回人话，支持中英日韩德法西等 8 种语言，README 有中文版）、nilibuild/page-mascot（755 星，一个盯着你鼠标、被戳就眨眼的桌面吉祥物）。它们没有任何一个和 Jev 有关，但都只解决一件事。
还有一个值得单独记一笔的官方动作：阿里 Qwen 团队的 QwenLM/Qwen-Image-2.1 ⭐431 也在本周创建（9 月 14 日），7B 单流 DiT、原生 RGBA 透明出图——完整解读见我们另一篇《阿里开源 Qwen-Image 2.1》。
本周趋势总结
| 排名 | 项目 | 星标 | Fork | 语言 | 协议 | 一句话 |
|---|---|---|---|---|---|---|
| 1 | browser-use/jev-ultrafast | 11,911 | 740 | Python | MIT | 苏黎世到伦敦，7.1 秒 |
| 2 | tamaratran/fast-jev-compaction | 5,189 | 286 | TypeScript | MIT | 压缩只删除，不改写 |
| 3 | NandhaKishorM/laya | 4,180 | 375 | Python | Apache-2.0 | 100+ 语言，33 毫秒 |
| 4 | robbietilton/Compositor | 3,685 | 387 | Swift | MIT | Mac 上的开源 Photoshop |
| 5 | TheoLeeCJ/SemIf | 2,450 | 155 | Python | MIT | 在浏览器里跑语义 if |
| 6 | mcncarl/jianying-headless | 1,995 | 1,260 | Python | 自定义 | 剪映草稿自动化生成 |
| 7 | mizorewww/laya-mlx | 1,708 | 85 | Python | Apache-2.0 | Apple 芯片原生 7.4 毫秒 |
| 8 | jarrodwatts/jev-trader | 1,533 | 288 | TypeScript | MIT | 每个区块做一次交易决策 |
| 9 | TianyuCodings/NanoJev | 1,410 | 172 | Python | MIT | 0.6B 的可读复刻版 |
| 10 | bespokelabsai/nimble | 1,108 | 80 | Python | 未声明 | 90.1% vs Jev 的 93.2% |
三个核心观察
① 决策层正在从「生成」里切出来。 把这一周的 Jev 系项目排开看，它们改的都是同一件事的两端：输入端（Agent 该点哪里、上下文该丢哪条、这个区块该买还是卖）和输出端（不再吐一段 JSON 让人解析，而是直接给动作加概率）。三条收益同时出现——延迟从秒级降到毫秒级、输出 token 数变成 0、结果天然带置信度。这和 w39 的「上下文经济」是同一条延长线：先是「少花 token」（压缩、转换、沙箱化），现在是「干脆不生成 token」。
② 热度的度量正在失效，需要换尺子。 一周 2,982 个同名新仓库、11,911 星与 699 星的项目出现在同一张榜上、fork 数能超过星标数 2.4 倍——「星标榜」在本周已经不能直接当「质量榜」读。对读者的实际建议是：看到一个高星新仓库，先看 fork/星标比、再看 issue 是否有真人互动、最后看 commit 是否来自多个作者。三项都健康，再花时间读代码。
③ 真正留下来的是「解决我自己问题」的项目。 Compositor 是因为作者嫌 Photoshop 贵，剪映自动化是因为有人要批量出草稿，Cloudflare 清单是因为有人不想再给 SaaS 交月费，text-humanizer 是因为有人受不了 AI 味。它们没有一个在讲概念，也都没有 Jev 的 2,982 个兄弟，但它们都在榜上。 如果这一周只能记住一句话，就是这句：概念决定你多快被看见，问题决定你能被记住多久。
数据来源：GitHub Search API（created:2026-09-14..2026-09-21，按星标降序）+ GitHub REST API（stars / forks / license / 创建时间 / 语言），抓取时间 2026-09-21 09:00 北京时间。因 github.com/trending 页面在本机网络环境不可达，本文采用「本周新建仓库总星数」口径；TOP 10 全部创建于窗口内，故总星数约等于本周新增星数。文中项目截图取自各项目公开 README（MIT / Apache-2.0 等开源协议），版权归原作者所有；laya_vs_jev_full.png 来自 NandhaKishorM/laya，flights-result.png 来自 browser-use/jev-ultrafast。图表由 uuaihub 依据上述 API 数据自行绘制。
