源码导读
Vision-Jev 源码导读：图像描述、动作判断与失败出口
这个项目把职责分得很具体：浏览器生成描述，Jev 选择类型化标签，游戏代码执行速度和计时。本导读沿固定提交追踪这条边界，不是在测试 Jev 直接接收图片的能力。
1. 跟着一张图片走到动作
拖动图片时，Pipeline.prefetch 就开始生成描述；描述按图片 URL 缓存，失败项会删除。perceive 把位图交给浏览器 worker，后者串行处理描述，并加载固定 revision e88a44ea 的 Florence-2-base-ft，以 384 × 384 像素运行 CAPTION 任务。WebGPU 加载模型失败会退到 Wasm；之后的预热或描述失败则上报错误。
放下图片后，Pipeline 向 /api/decide 发送 {caption, zone}。服务端将它们改写成 object_seen 和位置句子，一次 Jev 调用询问 action（7 个标签）、category（10 个）、speed_limit（5 个）。例如，“一个人”的描述加 own_lane，让 Jev 判断本车道情境；停车、变速如何执行，则由游戏代码负责。
2. 输入校验与失败回退解决不同问题
Worker 要求有效会话，将请求体限制为 8 KiB，只接受 caption 与四种 zone 之一。描述最多 300 字符，会被压成单行；多余字段会被拒绝。Jev 适配器检查答案标签是否合法、confidence 是否在 [0,1]；每个标签缺失或非法的概率被置零，但没有检查概率和是否为一、choice 是否为概率最大项。
描述或请求失败会进入确定性回退：本车道 stop，对向车道 slow_down，两侧人行道 continue。合法但低置信度的答案仍按选中动作执行，resolveBehavior 没有置信度阈值。change_speed 配 speed_limit=none 时保持速度。因此，类型校验能拦住未知动作标签，不能使错误描述或错误动作变安全。
3. 取消请求与耗时要分开看
同一物体的新判断会中止旧请求；引擎在应用答案前还会检查 requestSeq，避免移动物体后旧答案覆盖新状态。这个序号检查不能证明浏览器取消请求时，服务端也停止了处理或不再计费。
每次 /api/decide 尝试都在会话验证完成后获得 10 秒超时；遇到 401 会刷新一次会话并重试，因此它不是端到端最多 10 秒。visionMs 只计描述执行，不含排队和模型加载；latencyMs 计 ai.run；浏览器 roundTripMs 包含验证和重试。测总反应时间时，需要明确把哪些阶段纳入。
4. 作者的 151/156 测量了什么
README 报告，156 个有评分标准的“描述＋位置”案例中，151 个动作符合可接受答案；另四个没有参考答案的探索案例未计分。同一批案例也用于调策略。这是调参集内的策略一致度，不是留出图片测试或端到端驾驶安全成绩。
代码通过 Cloudflare AI 调用 typesafe/jev。Worker 记录 result.model、Jev 耗时和输入 token，但浏览器响应没有返回模型来源；上游没给 model 时，适配器会把别名本身记作模型名。复现时应记录实际返回的模型（若可得）、视觉模型 revision、策略提交、设备/后端和分阶段耗时，不能仅凭别名归因到某版 Jev。
把这条边界用于自己的原型
让感知、语义选择和执行分别可观察。第一步可用已知描述验证策略，再注入请求错误，最后返回一个合法但低置信度的动作：三者走的路径不同。请求未完成时移动物体，应另测旧响应是否被丢弃。
2026-11-02 核对 README；2026-11-03 在同一提交补充源码导读。包声明 Node ≥22.18、pnpm 11.0.3、Transformers.js 4.3.0。本站已读源码，未运行浏览器/WebGPU/Cloudflare 完整链路，也未复现作者测量；这里讨论的是游戏原型的设计。