性能、费用与质量测试

English · 中文文档首页

最新付费真实调用 · 2026-10-04

96 条记录，中位 1.313 秒筛完，选中 ID 完全一致。 新增同输出实验对比可用的 Jev API 与已登录 Codex CLI 筛选路径，全部 9/9 次结果精确且完整。这个阶段结果 与下面的整轮 agent 上下文 A/B 分开。

返回工具上下文减少 91.6–97.2%，完整证据仍可回查。 最新整段结果覆盖 24 次真实主模型运行：三个固定合成场景（code-search、triage、exec）， 两个主模型（gpt-5.6-luna、gpt-6-astra），原文/过滤两个实验臂，每个单元重复两次。 过滤臂完整完成 12/12，原文臂 11/12；全部 24/24 都选对预期 ID 集。 原文 Astra triage 有一次 ID 正确，但完整响应契约失败，仍计入分母。

同输出筛选：实测执行路径的速度

同输出数据 使用相同的 96 条 合成记录、两个原子语义条件，预期输出为 48 个匹配 ID。Jev 通过自动合批 API 筛选； 已登录 Codex CLI 按 medium 推理、不使用工具直接筛选传入的记录。 三个重复轮次轮换实验臂顺序，每次重新运行，不缓存推理结果。 夹具把八个简单中英模板各重复十二次，只有服务 ID 不同，覆盖清楚的当前/历史与 响应前/后区分，不是 96 个独立困难用例。

这是执行路径筛选延迟，不是模型原生/API 延迟或整轮 agent 提速。 Jev 计时包含 规划、传输、类型化解析与程序精简；Codex 包含 prompt 序列化、进程启动、提供方/agent 回合及最终响应。夹具目录准备单独计时并排除。原生推理与 CLI 启动开销无法分别观察， 逐请求延迟未采集；Jev 后面没有主模型续跑。没有测试主模型的直接 API 路径。 每臂三次是 smoke 样本，不是置信区间或 跨工作量保证，重复的简单模板也限制推广。没有推理结果缓存，不代表提供方没有内部缓存。

九次运行都返回相同的 375 bytes 规范化判断，误报、漏选、复核、超时、失败请求及 未知用量尝试均为零。这是相同输出与原始证据，不是相同的序列化 prompt： 记录本身 12,351 bytes；每次 Jev 类型化请求合计 93,226 bytes，主模型 prompt 各为 13,224 bytes，另有 196 bytes 输出 schema 与 CLI 自带 harness。 Jev 每次两个实际请求；主模型每次返回一个回合，底层实际请求数未提供。

这组同输出实验中，Jev 输入 tokens 比两个主模型路径都多；输出用量也包含逐记录的 类型化判断，而非只有最终 ID 列表。用量完整，实际费用仍为 null。主模型使用订阅认证， 这些耗时与 tokens 没有建立账单节省。Jev 实际响应模型为 jev-1.13.0；CLI 记录请求的 主模型名称，没有独立暴露提供方返回的实际模型 ID。

报告与限制 · 独立用量收据 · 可复现脚本

整段任务：上下文明显缩减，耗时各有得失

六个单元有五个慢了 0.1–18.4%；只有 Astra triage 快 15.3%，它的原文臂包含 那次响应契约失败。两次重复是 smoke 对比，不是统计充分的延迟研究。夹具准备单独记录、 不计入任务耗时；采集、Jev 推理、真实主模型的 shell 工具调用和后续处理一起计时。 工具上下文字节衡量工具返回量，不是整段模型 prompt；主模型输入还包含 harness 与固定指令。

每个模型六次原文或六次过滤运行的实际 tokens 合计：

这些运行的提供方用量完整。Codex CLI 使用已配置的账号，实际订阅账单未知。 冷输入估算将主模型输入全部按未缓存计价；缓存调整估算使用实际返回的缓存子集。 两者都不是发票。Luna exec 的缓存调整等价费用高了 12.0%；Astra exec 的过滤臂 恰好有更多缓存输入，因此它的 70.6% 调整降幅不能全归因于过滤。 费用采用有日期的2026-10-04 调用方单价快照。 缺用量或未知账单保持 null，不会记成零费用成功。

逐次 JSON · 汇总与精确计算 · CSV · 执行脚本

合批：Jev 阶段更快，输入用量更少

最新原生合批测试 使用 96 条固定合成 记录 × 两个判断、四个实验臂、每臂三次；12/12 次选择结果精确，用量完整。 单条并发最多 12 个 worker；合批并发只需两个请求与两个 worker，单条臂每次操作有 96 个请求。

合批输入减少 56.5%，合批并发在这个样本中筛选速度为单条并发的 2.58 倍， 耗时减少 61.2%（3.215 → 1.246 秒）。 计时包含规划、原生推理与精简，没有主模型后续处理，不能称为整轮 agent 提速。 重复的简单记录模板与网络波动限制推广。全部实验臂提供方返回 600,660 输入 / 110,964 输出 tokens，用量完整，没有未知尝试。这个历史实现的 driver 只暴露请求模型 jev-1.13.0， 没有保存响应模型 ID。执行脚本。

记录流程：选得更好，也会增加工作

原生记录 A/B 使用固定合成代码、 Git 完整前后文件与连接阶段记录；计时包含采集 → 准入 → 真实 Jev → 精简 → 来源新鲜度。 这组实验没有主模型后续处理。

特意设置的无词法交集代码用例，两个实验臂都漏掉。当前召回扩大词法、符号与调用者候选， 不是穷尽式语义索引。校准与留出是不同原始记录，但都是相似的手写场景；阈值选择不拟合 概率校准器，也没有建立总体准确率保证。

公开的最终系列共 20 次原生请求，35,250 输入 / 5,858 输出 tokens，实际返回模型 jev-1.13.0，用量完整，新鲜度检查通过。固定输入与脚本 公开真值、阈值网格、逐次分模型用量和负面结果。

接口：通过实际发行链路调用付费模型

13 项检查全部通过。Python CLI 和全新 registry 安装的 npm 0.4.0 分别运行 32 条 query、代码召回、八个关联事件与六文件 diff。 独立官方 MCP 客户端协商 2025-11-25，运行 filter/search/triage，回查完整原文及 SHA-256。 本地 Chromium 提取选出四个在售 USB-C 台灯；代码解析原始价格，保留三个低于 $35 的产品。 CLI survey 64/64 主题标注正确，聚合计数完全一致。

这是合成接口检查，不是开放场景准确率；survey 重复八个简单工单模板。 16 次请求返回 71,616 输入 / 17,562 输出 tokens，用量完整。这些公开接口没有暴露 提供方返回的模型 ID，因此报告将请求模型 jev-1.13.0 与未提供的实际模型身份分开。 执行脚本 保留完整合成输出，只替换机器路径与收据位置。

浏览器：严格复核、已验证修复与失败实验

最终固定源码 A/B 在同一 jev-1.13.0、最高概率 0.55 / 候选差距 0.10 策略下，比较已发布 0.4.0 与滚动证据修复源码。 八个本地夹具、每臂三次，使用独立 DOM/存储检查。预期结果 15/24 → 18/24：验证完成 12 → 15，双方另有三次正确的不可逆停顿。这组矩阵错误动作与假完成都为零。

嵌套滚动目标完成 0/3 → 3/3。失败基线提前停下，完成后的处理臂在这三次运行中需要 6 → 21 次模型调用，耗时中位 1.33 → 3.25 s。原有六任务子集的预期结果仍是 12/18，其中六次普通目标运行仍需复核；已知输入增加 2.36%，请求字节增加 7.52%，耗时中位增加 3.58%。修复保留严格阈值，没有让纯 Jev 完成每个目标。

最终完整矩阵的基线/处理臂为 171,320 / 202,290 输入 tokens、12,012 / 12,818 输出 tokens， 实际模型均为 jev-1.13.0，用量完整。浏览器启动单独记录；导航、观察、判断、动作与独立终态 检查计入整段操作。

早期实验继续公开：原生 select 候选裁剪 预期通过 11/18 → 9/18；已满足控件与嵌套滚动 没有提升通过数；滚动证据试验 包含一次提供方失败、用量未知，总费用为 null，不是零。这些失败或不完整试验与最终完整矩阵分开。

第一组仅 benchmark 的主模型接管参考 达成 5/6 个预期结果。一次 Jev 已把正确商品加入购物车，但还没到下单门禁就返回 DONE， 被独立检查判为未完成。模型单独返回 DONE 不能当成有效交付。 首组负面矩阵继续公开。

随后带独立验证续跑的参考 达成 6/6：三个搜索目标完成、三个正确 Place order 停顿；使用固定已发布 0.4.0 和同一严格策略。 它识别并续跑一次提前返回的 Jev DONE，没有错误动作、被接受的假完成声明或主模型实际执行工具。 程序拥有观察与候选动作 ID，校验主 planner 返回的 ID/已命名值引用，重新检查新鲜度，执行受门禁保护 的动作，并独立验证终态。参考流程。

这是参考集成，不是发行产品内置的自动主模型回退。整段耗时 14.7–51.6 s，中位 33.1 s， 包含接管开销。这六次新运行使用 gpt-5.6-luna：275,556 输入 / 其中缓存 70,400 / 1,155 输出 tokens； 另有实际 jev-1.13.0 180,522 输入 / 11,378 输出 tokens。用量完整，订阅实际账单未知；结果还单独 保留首组矩阵的用量。可靠接管会增加工作，没有证明普遍便宜或普遍快速的浏览器 agent。

包含失败试验的早期累计审计用量

累计用量台账 包含 pilot、重复验证与失败实验， 不仅统计公开成功表格。已知 Jev 2,928,677 输入 / 324,772 输出 tokens，另有一次提供方尝试用量未知。 按所列每百万输入 $0.042，已知输入对应 $0.123004434 的估算下界；累计总费用与实际账单仍未知。 主模型账号使用 1,463,583 输入 / 其中缓存 563,200 / 7,315 输出 tokens，属于订阅访问，不是已核验的 API 账单。未知不会悄悄记零，不同账务口径也不直接相加。

这份早期系列保持原样。新的同输出速度实验另外增加 91,086 Jev 输入 / 27,546 输出 及 125,268 主模型输入 / 其中缓存 0 / 1,280 输出 tokens，记录在独立增量收据。

复现新的付费运行

通过 TYPESAFE_API_KEY 或 TYPESAFE_API_KEY_FILE 提供允许使用的 TypeSafe 测试凭据； 不要放进输入、报告或源码。模型调用须主动启用并计费；使用新输出路径，私有轨迹继续保持私有。

python -m pip install -e '.[code,dev,docs,browser-test]'
# 独立 MCP 检查还需要官方 mcp 包。
python -m pip install mcp
python -m benchmarks.run --live --records 96 --repeats 3 --parallel-workers 12 \
  --output local-results/batching-new.json
python -m benchmarks.selection_speed --live --records 96 --repeats 3 --workers 12 \
  --models gpt-5.6-luna gpt-6-astra --output local-results/selection-speed-new.json \
  --private-dir ../jev-selection-private-new
python -m benchmarks.live_records --live --repeats 2 --output local-results/records-new.json
python -m benchmarks.live_interfaces --live --output local-results/interfaces-new.json
python -m benchmarks.operations --live --models gpt-5.6-luna gpt-6-astra \
  --cases code-search triage exec --repeats 2 --jev-workers 4 \
  --rate-snapshot benchmarks/results/2026-10-04-operations-rates.json \
  --report local-results/operations-new.json --private-dir local-results/operations-traces

这些实验分别回答筛选路径速度、整段主模型上下文、记录判断质量、接口正确性的问题。 同输出速度实验还需要已登录的 Codex CLI，私有目录必须是仓库外的新路径；不要合并分母， 也不要把局部阶段收益当成整轮 agent 节省。

0.4 发版证据 2026-10-04

新测试覆盖实际发行程序的契约与接口。以下离线契约 A/B 固定源码，collector 对比使用固定合成输入，没有语义模型调用；脚本公开了响应夹具、标注和程序策略。历史 live 推理结果继续保留在后文。

决策案例检查错误/未知用量保留和给定概率分布的策略执行，不测 Jev 是否判断正确。无词法线索的检索夹具仍漏掉，这些离线数据不测最终语义精确率，上文提供新的真实调用检查。浏览器用真实本地 Chromium 和固定程序策略，排除启动，不估计开放网站或 Jev 驱动成功率。逐例失败、上下文字节、耗时、源码/脚本哈希与零实际模型用量均保留：决策、检索、浏览器观察。

接口 E2E 运行 10 项真实进程检查：CLI 就绪与上下文准入、采集、stdin 日志脱敏、tracked diff、survey 规划、离线评测、MCP stdio、真实 JS 客户端及独立官方 MCP 客户端（2025-11-25、四工具、证据回查）。输入为合成数据，命令明确规划或要求缺失上下文，零模型请求证明接口跑通，不能作为语义质量证据。

python -m benchmarks.decision_contracts --output decisions.json
python -m benchmarks.retrieval --repeats 5 --output retrieval.json
python -m benchmarks.browser_observation --repeats 3 --output browser.json
python -m benchmarks.release_e2e --output interfaces.json
# 独立客户端检查：另装 mcp 后增加 --official-mcp。
jev-filter eval --input examples/evaluation.json --output heldout.json

新提供方比较需安装 .[code,dev,bench-llm] 和相应 System One Adapter SDK extra。固定规划 记录 32 行、期望结果和完整请求字节，没有推理。python -m benchmarks.providers --live --provider PROVIDER --model MODEL --output X.json 明确计费，需指定测试凭据；它只覆盖过滤操作，保留重试总用量和失败未知项，区分 Jev 原生概率与生成式 LLM 概率。离线发版数据没有建立新提供方优势、整轮代理提速或真实账单节省。

默认行为、兼容性及不拟合概率校准器的分组留出评测见接入与策略契约。

托管执行：2026-09-30

范围：只用本地合成夹具，真实 Jev（jev-1.13.x），每个任务三轮。只有最终状态符合预期、并且程序对最终状态的校验成立，才算通过：浏览器看 URL 和存储，桌面看窗口文本，survey 对照生成时的真值。模型报告的 DONE 从不算作成功。夹具里的不可逆动作应当暂停（needs_confirmation），并核实它确实没有发生。

逐次 JSON

怎么读：

• 浏览器。 夹具商店有模态 cookie 横幅、自动补全输入框、原生下拉、结果表、带"Place order"和"Remove"按钮的购物车、需要滚动的长表单、开放式 shadow root 和同源 iframe。Camofox 在顶层文档按 CSS 选择器点击，所以 iframe 任务不在该传输上提供；Camofox 每次点击在其内部还要花约 1.7 秒。
• 对照实验。 "无门禁说明"去掉程序追加的那句固定说明（"不可逆步骤由程序把关，照常推进"）。在结果页的单独探针里，以"购买"结尾的目标，没有这句时 Jev 选 BLOCKED 的概率为 0.46–0.60，加上后为 0.09–0.13。整段运行中，低置信度终止回退和按行合并的文本也能把任务救回来，所以端到端差异很小；保留这句是因为它从源头消除了这种失败。
• 桌面。 一个 WinForms 应用（文本框、下拉列表、复选框、选项卡、列表、"Delete all records"按钮、会弹出模态 MessageBox 的按钮），以及一个按钮完全是画出来的 Tk 画布，靠 OCR 兜底操作。窗口启动时间不计入。
• survey。 固定种子生成的合成客服工单（五类主题、三种语气、退订意图、10% 垃圾内容），中英混合。记录由模板生成、难度低，所以这里主题准确率 100% 不说明你的数据会怎样；请用 --labels 在自己的标注样本上测。unpacked 每条记录单独一个请求（题目相同）；no-screen 跳过相关性预筛。无关记录只占 10% 时，预筛花的比省的多；只有无关记录占多数时才划算。

复现（会产生费用，需要 Chromium；Camofox 和桌面线可选）：

pip install -e '.[dev,browser-test,desktop]'
python -m benchmarks.hosted --live --lines browser,desktop,survey --repeats 3 \
  --camofox --output /tmp/hosted.json
python -m benchmarks.hosted_report /tmp/hosted.json

真实网站与应用：2026-09-30

上面的夹具结果展示的是机制。这次只读审计要回答的是：同一套代码在真实公开网站和真实 Windows 应用上能走多远。审计中没有购买、发帖或登录，代码也没有改动。汇总数据见 2026-09-30-real-world.json，观察覆盖探针是 python -m benchmarks.real_world_coverage。

环境：一台 Windows 11，中国大陆的一个网络，无头 Chrome，视口 1280x900，浏览器语言 zh-CN，jev-1.13.0。结果受地区、IP 信誉和时间影响，人机验证的触发率在别处尤其会不同。

观察覆盖。 在 40 个公开页面上，用一段独立的页内脚本列出视口里人能点的所有元素，再核对执行器的观察提供了其中哪些。1 个页面启动失败，7 个是人机验证、错误页或风控遮罩。

漏掉的主要是没有角色的可点元素（58 个，其中 51 个在中文站），以及叠在自绘控件下面、完全透明的原生输入（23 个，分布在 7 个站点，例如 Wikipedia 的菜单）。这个指标只统计视口内；折叠线以下或滚动容器里的目标是另一类缺口。

真实目标。 24 个只读目标（搜索、打开页面、设置组件状态）各跑两次，约 12 个并行。"达成"是审阅者根据最终 URL、标题和存档做出的判断，不是校验器的结论。

16/34 的 95% 区间约为 31–63%。有 1 次 done 大概率是误判：DuckDuckGo 的一次运行，其 URL 校验在人机验证页上也能匹配。有 6 次运行达成了目标却没有得到 done，主要原因是校验器只看页面文字，看不到组件状态。

桌面。 观察了 8 个 Windows 应用，5 个真实目标各跑一次，通过 2 个。

失败原因，按影响的目标数排序。 "反事实验证"指在内存中应用改动后重放。这些修复都不在 0.3.0 里。

历史整段任务测试：48 次真实 agent 运行 · 2026-09-23

逐次 JSON · CSV · 汇总数据 · 类型化判断证据

这是公开内核的新测试：两个主模型 × 四类场景 × 原生/筛选两组 × 三轮，共 48 次真实运行。 主模型实际调用一次固定采集器，读取结果并输出结构化 ID。两个模型都使用 medium 推理， 每个模型内部串行运行、交替测试顺序，两个模型同时进行；Jev 不使用结果缓存。

计时包含工具调用、Jev 判断、主模型续跑和最终网页目标校验。页面创建单独记录但不计入， 因为定位任务从已有页面开始。本实验固定了候选来源，不代表允许 agent 自由选择各种工具的最优表现。

下表费用和耗时的正数表示更贵/更慢。上下文指返回工具结果的字符数，不是主模型全部输入 token。

质量：48 次均选对预期 ID 集合，没有观测到误增或漏选。原生 Astra 的四次运行额外要求复核， 其中代码一次、日志三次；24 次筛选组均无需复核完成。选对 ID 和无需复核完成分开统计， 更少复核不能证明未知数据上的置信度更准确。48 次均符合实验调用协议，模型用量报告完整。

缺测与样本限制：两次原生调用的 Codex 事件没有记录 aggregated_output，字符长度标为 null， 没有当成零或填补数据。上下文均值采用可用的两或三次测量；耗时、质量和用量仍完整。 每格三轮不足以形成强统计结论，因此提供均值、中位数、观测最小/最大值和样本量，不将不稳定的 p95 包装成生产保证。

费用口径：2026-09-23 核对的标准、短上下文美元单价，每百万 token： Astra 输入/缓存输入/输出为 $10/$1/$50； Luna 为 $0.20/$0.02/$1.20； Jev 输入 $0.042，输出免费。 保留冷输入和缓存调整两种估算，没有计入缓存写入、地区附加费、服务等级或折扣。 这是 API 等价费用，不是当前账号的订阅账单。

Luna 的自定义命令场景加上 Jev 后 贵了 0.6%。多个场景变慢，其中 Luna 网页选择慢了 43.0%。 适合在上下文压力大或已有实测收益的场景按需使用，不强制用于便宜主模型、少量输入或延迟敏感任务。

绝对值与耗时分布

下表每项按三轮统计，箭头为原生 → 筛选；时间单位为秒，费用为每次操作的美元等价估算。

Luna 网页筛选的均值受一次 39.49 秒样本影响；中位数约 17.52 秒，原生约 17.35 秒。不要把三轮均值当成稳定生产延迟。

复现整段流程

需要已登录本人账号的兼容 Codex CLI、Jev key，以及 9377 端口的本地 Camofox 服务。 脚本只创建自己的合成数据和浏览器会话，不点击或发送消息。

python -m benchmarks.operations --live \
  --codex "$(command -v codex)" \
  --models gpt-6-astra gpt-5.6-luna --repeats 3 \
  --report local-results/operations.json \
  --private-dir /tmp/jev-filter-operations-unique

使用新路径。这会消耗 48 次主模型任务及相应 Jev 调用的账号用量。 原始 agent 事件保存在仓库之外的私有目录，只导出允许字段中的统计与合成判断。 报告包含数据集和运行时代码哈希。数据构造 · 完整驱动。

核心结论

• 自动合批减少重复上下文，公开测试中的 Jev 输入 token 减少 56.47%。
• 合批加并发平均 2.368 秒，比单条并发快 32.37%；这是 Jev 阶段，不是整轮主模型任务。
• 历史主模型流程的上下文减少 88–97%，费用估算下降，但三个流程都更慢。
• 独立包和原生发行包的迁移测试保留了判断结果和用量，也保留了耗时变差的样本。

公开版本：2026-09-22 实测

原始数据 · 合成数据集 · 运行脚本

96 条合成服务记录，每条两个独立判断；模型为 jev-1.13.0。四种方式各运行两次， 第二轮反转顺序，不使用结果缓存。耗时包含规划、网络、响应校验和结果恢复， 不包含启动 Python 解释器和主模型后续推理。

合批减少 56.47% 输入 token；合批并发比单条并发快 32.37%，比单条串行快 94.06%。 八轮均选中预期 ID，没有待复核项，用量报告完整。数据来自 API 返回的 token，不是按字符数估算。

两轮属于小规模验证，不能当成统计充分的研究。记录重复了八种模式，比真实开放任务容易； 网络波动明显。本次合批串行也比单条并发更快。30 是并发上限，不代表每轮都用了 30 个请求， 更不代表 30 对所有负载最优。

历史原型：主模型整段流程对比

这些数据来自独立包提取前的私有原型：固定的合成代码、浏览器控件和日志候选， 每组两轮配对，主模型为 Astra/medium。它们不是本次公开发行包的端到端实测。 私有完整轨迹包含本地环境与代理配置，未公开，因此可复现程度低于上面的公开测试。

两边选中的 ID 都符合预期；原始日志对照组另有待复核项。费用包含额外的 Jev 步骤和主模型 实际输入/输出，按当时的冷输入价格假设折算。这是 API 等价估算，不是订阅账单，也不是当前报价。

上下文变短不等于整轮必然降本提速。公开发行包尚未独立复测这三条主模型端到端结果， 不能承诺历史比例可在你的模型或数据上复现。

自己复现并计算费用

python -m pip install -e '.[code,dev]'
python -m benchmarks.run --output local-results/offline-new.json
# 会产生 API 费用；使用已配置的 Jev key，不缓存判断结果。
python -m benchmarks.run --live --output local-results/live-new.json

每次使用新输出路径，避免覆盖失败或旧结果。离线模式只验证规划，不证明模型质量与实时耗时。

主模型对比应固定模型、推理设置、任务、候选数据和预期答案，交替运行原生工具与筛选组。 把采集、Jev、重试、主模型续跑、证据回读都纳入计时和用量。分别记录每个模型的输入/输出， 以及质量、误删、失败、复核和返回上下文。不能仅凭结果包更小就宣称更便宜或质量更好。

使用当前供应商价格、统一币种和 token 单位：

原生费用 = 主模型输入量 × 输入单价 + 主模型输出量 × 输出单价
筛选费用 = 筛选后的主模型输入量 × 输入单价
         + 筛选后的主模型输出量 × 输出单价
         + Jev 输入量 × Jev 输入单价 + Jev 输出量 × Jev 输出单价

还需计入缓存输入价格、重试与回读。用量不完整时费用只是下限。便宜主模型、小输入、 上下文不足或频繁回读都可能抵消收益。本次公开 Jev 测试不直接推导固定美元节省额。

首个用户的集成验收

脱敏记录 覆盖资料标注、Telegram 维护计划和 SRE 分流三个已安装入口，使用合成数据与真实 Jev 调用。判断符合预期，原始内容未出现在 默认精简结果中；未发送客户消息，也未授权生产操作。原有私有脚本、身份和回退接口保留。

额外迁移对比使用 48 条合成 DNS 记录，两轮反转顺序，包含 Python 进程启动： 旧后端平均 1.413 秒，独立包 1.797 秒，约 慢 27.2%。每轮均为 48/48 正确， 用量相同：输入 6,752、输出 1,913 token。返回包均不含原始信号。

这是兼容性证据，不是迁移加速证据。进程隔离边界与网络传输实现不同；两轮无法确定单一原因。 私有桥接层每个完整批次启动一次进程，不是每条记录启动一次。

npm 平台运行时一致性

原始记录 对比 Python 与原生可执行文件： 32 条合成 DNS 记录，各两轮交替顺序，包含启动与网络调用。四轮全部 32/32 正确； 每轮输入 4,583、输出 1,273 token，返回 JSON 均为 5,660–5,661 字符。

原生平均 1.838 秒，Python 平均 1.178 秒。两次原生运行分别为 2.570、1.105 秒。 这个小样本无法区分启动开销与网络波动，没有证明原生包提速。它证明的是安装前提减少后， 本例的接口、判断和用量保持一致。

Node 入口另外通过真实 tarball 安装验收；这组计时不包含额外的 Node 启动器或 npm 安装。

python -m benchmarks.distribution --live \
  --native /path/to/native/jev-filter \
  --output local-results/distribution-new.json

图表由 python scripts/render_assets.py 生成，需要 docs 依赖。公开图表直接读取仓库中的 JSON， 历史数据明确标注为原型结果。所有负面结果保留，不承诺普遍正确率或整轮加速。