精选 Jev 项目：基准测试与研究

开放的 0.6B 参数 Jev 复刻，支持并行决策、完整概率分布，并提供训练管道、权重、数据集和在线演示。

训练小模型，从动态文本选项列表中单次前向输出每个选项的概率；包含 Doom、国际象棋和 Wikispeedia 演示。

当启用 Codex 运行时，Jev 会根据提供的证据审核诊断测试和事件解决提交。

使用 Jev 和 GEPA 根据人类反馈构建校准的 AI 功能。

Tasksource 将数百个分类数据集重新转换为 Jev 兼容的类型化问题、答案和程序训练示例。

Apple Silicon 上用于教学的 Jev 风格视觉推理实验，采用共享上下文、直接候选评分和本地视觉演示。

以 Convex 四选一问题比较 Jev Choice 答案与大语言模型的基准测试。

从 Qwen3.5-2B 微调的 System One 风格模型，单次完成类型化决策并返回校准概率。

Jev模型介绍及实测：使用Choice / Score / Noul将自然语言转换为类型化的判断和概率进行分类、评分和路由；支持与DeepSeek等模型对比评论标记、速度和结果，包括CSV/Excel导入、原速播放和离线报告。

基于 Vercel eve 的个人助理 Agent，配置 100 个模拟工具，对比由 Jev 和 LLM 选工具时所需步骤。

小型开源决策模型：输入状态与类型化问题，输出校准概率；基于 Qwen3.5 复刻 Jev/System One。

用于比较浏览器 Agent 接口的 WebMCP 基准，将 Jev 作为被评测配置之一。

JevBench v1 - Jev 级类型化决策模型的基准：智能、便宜、快速、可靠、开放。

受 jevlike 启发，在 Apple Silicon 上通过 MLX 使用本地 Gemma 3 4B 单次评分选项，并附 Doom 演示。

一个由 Jev 驱动的开源工作台，用于流数据选择、质量评估、自动 LoRA 训练和保留模型评估。

让任意 MLX 模型在 Apple Silicon 上执行 Jev 风格并行约束决策，单次前向输出类型化、符合 Schema 的 JSON。

模拟 TypeSafe AI 结构化输出的 LLM Gateway，相当于一个“仿冒 Jev”。

根据您自己的标签校准 Jev 问题：调整标记示例的标准，确认保留的集合，获得每个问题的结论。非官方。

基于 ModernBERT（151M）的非自回归决策引擎，提供校准不确定性、TypeSafe Jev 基准审计和浏览器 WebGPU 游乐场。

展示冻结 Qwen3-4B 上 Jev 风格类型化决策接口的 Mini-Jev：读取选项字母 Logits 而非生成 JSON，提供预注册实验、结果和教学基准。

Independent, evidence-based map of when TypeSafe's Jev actually holds up vs. breaks down — real API-call receipts, not a leaderboard. 中文主导的双语repo。

Jev 复现方案，无需训练即可将任意 Qwen 模型变为快速决策模型，提供相同 /v1/systemone Schema 且不生成答案文本。

非官方研究：在 Apple Silicon 笔记本的原生 1.5B–8B 模型上执行 Jev 风格并行类型化决策，附基准、研究笔记和 Hugging Face Space 演示。

Jev 与 Gemini 3.8 Flash 对比：标注 1,000 条应用评论，报告速度快 4.1 倍、成本低 7 倍。

Jev 的开放替代方案，让任意开放权重 LLM 单次前向完成类型化校准决策，支持 Hugging Face、vLLM 和基准测试。

衡量您的 Jev 分类器的置信度的真正价值，并设置错误成本的人工交接线。

根据上下文、问题和候选答案执行本地双语概率决策；受 Jev 启发的独立研究预览。

用于测量 RAG 中 Jev 重新排名质量、延迟和成本的可重复基准。

面向开放语言模型、兼容 TypeSafe 的批量单 Token Choice 推理。

TypeSafe Jev 的开放复刻，在 Gemma 4 E2B / Gemma 3 270M 上单次前向完成类型化校准决策。

面向动态文本选项列表的更强单次评分器，采用哈希 n-gram 编码器、对手感知注意力、门控头和温度缩放，并与 jevlike 比较。

受 Jev 启发、面向自回归 LLM 的类型安全单 Token 单决策解码引擎。

面向类型化决策模型的概率感知评测，覆盖校准、选择性风险、延迟和可复现基准。

将 Jev 用作评测器的实验。

用中英文介绍 Jev 热门应用、工作原理及各自优缺点。

浏览器代理比较，针对 Jev 演示对一目了然的开放模型策略进行基准测试。

Agent 技能，用于发现 TypeSafe Jev 应用机会、设计类型化问题并借鉴近期社区实验。

开放 Jev 风格判断层，以概率回答有限选项，支持文本、图像和日语语音命令。

实验性 Jev 股票框架，根据结构化市场数据预测短期股价方向。

用于校准、设定阈值并检测类型化决策模型漂移的工具，以 LLM 教师评估 TypeSafe Jev，避免凭感觉设置置信度阈值。

面向 CUDA LLM、受 Jev 启发的并行决策：一次上下文完成多个判断，提供 vLLM API、游戏 Agent 示例和可复现基准。

可复现的模拟交易竞技场，向 Eikos 与 Jev 提供相同市场状态和类型化问题，再比较净值与概率预测。

受 TypeSafe AI 启发，让本地 LLM 回答类型化问题并返回校准概率，而非生成文本；无需生成或解析结构化输出，适用于 MLX/Apple Silicon。

含 38 项基准的类型化决策指数复现工具，提供冻结的公开来源套件、可续跑执行器、官方评分器和 Jev 兼容 HTTP 引擎。

LegalForecast-MTD 法律预测基准 Alpha 版及官方评测工作流。

针对 Jev 韩语理解和医疗文本能力的可复现早期访问评测，包含运行时间与成本证据。

输出层采用 Jev 的词级语言模型，包含 n-gram 草稿器、Noul 分块验证和每 Token 比特评测。

面向 TypeSafe Jev API 的可组合 Python 工具包，包含问题构建器、置信度门控、评测器、校准、CLI、MCP 服务器和 Agent 技能。

TypeSafe System One 决策模型 Jev 的展示型能力研究。

在综合支持票和公共分类基准上对 Jev 校准进行可重复评估。

评测 Jev 重排序是否优于向量搜索：在 Agent Skills Hub 目录上使用 9,831 个相关性对和 164 个中英文查询，并测量裁判循环偏差。

从类型化 Jev 决策构建聊天机器人，通过 System One 概率进行分层推测解码。

由 TypeSafe Jev 驱动的高吞吐合成与预训练数据集筛选器，以每秒 1,500 行以上的速度流式过滤和评分 Parquet、JSONL 数据。

TypeSafe Jev 决策框架，提供置信度门控、影子模式、配方和评测；同一行过滤任务从 Claude CLI 48.9 秒降至 Jev 1.3 秒。

面向招聘信息的开放、本地、零成本 Jev 风格决策层实现。

DSPy 工作流程中 Jev/TypeSafe 决策的可重复校准和选择性风险基准

独立 Jev 1.13.0 行为研究，提供报告、受控提示实验、原始结果和离线验证。

开源 Jev 风格 System One 决策模型，基于 Gemma 3 270M 与评分头，单次前向完成快速校准决策，不生成文本。

评测决策模型能否击败专用重排序器：比较 Jev、Cohere Rerank 4、ZeroEntropy zerank-2 和聊天模型基线，覆盖 14 个数据集及全部原始响应。

构建在无法生成文本的 TypeSafe Jev 上、以自回归方式驱动的聊天机器人。

在 Banking77 上测量校准与基于置信度的路由：每 500 次决策成本 0.103 美元，准确率 80.2%。

八个 TypeSafe Jev 在机械与电气工程中的最小可运行示例，覆盖 CAD/CAE/CAM 路由、FEM 结果分诊、DFM 筛查、BOM 对齐和防幻觉提取，零依赖。

Jev 的盲测安全基准，覆盖提示词注入和脆弱代码检测，基于 jev-go。

可复现的 Jev Ultrafast 研究浏览器评测框架与实地笔记，包含质检案例、套件运行器和报告生成器；不构成投资建议。

在 NQ L10 订单簿数据上回测 Jev 作为买入、卖出或持有交易器的表现。

Jev 概率校准、不确定性和预测保存的可重复实验。

使用 TypeSafe Jev System One 原语和 Gemini 的判别式蒙特卡洛树搜索。

并非每项编程任务都需要最强模型：面向 Claude Code 的实验性 Jev 模型路由，V3 可运行，V4 在任务边界路由。

Jev 探索记录，包含声明审计、在线演示和可运行代码。

TypeSafe Jev System One 模型的基准与游乐场，包含国际象棋和语音转文字游戏 NPC 对话对象识别。

在 2,000 封钓鱼邮件上比较 Jev 与 Claude Haiku 4.5 的准确率、校准度、延迟和成本，结果可复现。

可复现的 Jev 研究论文、证据与论文材料包。

受 Jev 启发、面向现有 LLM 的决策接口，提供显式选择、评分、校准和审查阈值。

将 Jev 强行构造成一颗 RISC-V CPU 的实验。

完全由 TypeSafe Jev Choice 驱动、可观测的原始字符聊天实验。

Jev 风格类型化决策模型，测量延迟、准确率、校准度和训练成本。

Jev 与 ASReview SYNERGY 摘要筛选演示，将 Choice/Noul 结果与金标准标签对比。

即插即用的 /v1/systemone 影子代理，将请求同时发送给 Jev 与本地决策模型，并记录一致性、校准度、延迟、成本和策略层差异。

基于 Qwen3.5-0.8B 的 Jev 风格校准决策模型，支持 Choice、Score 和 Noul。

日本 2026 年大学入学共通测试 AI 基准，对比 Jev、Luna-none 和 Luna-low，并提供静态仪表板。

在 Who&When Pro Agent 失败归因基准的文本子集上，对比 Jev 与强力 LLM。

在 RouterArena 上评测 TypeSafe Jev 作为低成本 LLM 路由器的表现。

在本地模型上试验 openjev 开放 Jev 风格选项 Logit 运行器。

来自 PadFlow 土地开发 SaaS 的类型化决策基准，提供 Schema、匿名标注样本和置信度校准模型运行器。

TypeSafe AI 国际象棋能力评测；结果显示原型表现较弱，且可能未针对游戏进行优化。

使用 TypeSafe Jev Noul 问题进行零样本垃圾信息过滤，并与 TF-IDF 基线比较。

针对 shadcn-ui/lint 的小型二次评测，使用 Jev 判断 Linter 自身输出。

TypeSafe system-one-adapter 的 Rust 移植版，用 LLM 支持 System One 评测。

立场论文：讨论 TypeSafe Jev 与 System One 决策模型缺失的隐马尔可夫及模糊原语，提出两个引理、延迟清晰化原则和 BSF-S1 架构。

测试 Jev 能否从新闻预测股票收益：阅读新闻表现良好，但没有可交易 Alpha；通过三组实验区分阅读与记忆。

测试 Jev 能否选出真实标题 A/B 测试赢家：在 10,984 项 Upworthy 随机实验中准确率 64.5%，差异明显时为 74.7%。

关于 Jev 的独立中文研究报告，包含 52 页 PDF、50 条中文实测复现包和 143 条可追溯数据表。

在具有显式状态、合法动作和可量化结果的游戏中，将 Jev 与其他评测模型进行基准比较。

typesafe.ai Jev 的金融基准。

TypeSafe 的 Jev（系统一模型）与 LLM 的独立基准数据：准确性、校准、成本。板 + 每个决策日志，CC-BY-4.0

对 TypeSafe AI 的 Jev 决策模型进行独立的仅 API 校准审核

研究工作区包含可重复的 TypeSafe Jev 评估和安全判断实验。

在巴西圣保罗州法院判决结构化标注任务上，对比 Jev、Gemini 3.8 Flash 和 GPT-5.6 Luna 的质量、时间与成本。

可复现的评论分类对比，测量 Jev 与 Luna 的准确率、延迟和成本。

TypeSafe Jev 的 TypeScript 实验、评测和延迟基准。

Jev 的基准，作为 MalSkillBench 上的恶意代理技能检测器，具有验证和升级评估。

持续维护的日文 Jev 与 System One 模型研究幻灯片，使用 Markdown 编写。

在 SHADE-Arena 中评估 Jev 作为 Agent 破坏行为快速监控器和动作门控的效果，并与 Gemini 2.5 Flash/Pro 比较。

研究工具包应用保形风险控制和预测驱动的推理来验证 Jev 路由阈值。

设备端 iPhone 视觉决策工具，使用 MLX 和 Qwen3-VL 直接选项 Logit。

TypeSafe 的 Jev 与 gpt-5.4-mini 和 gpt-5.6-luna 在四个公共分类集上的对比：案例、每个项目的答案、评分、图表

在 182 道有效 ENEM 2025 试题上复现 Jev Choice 决策的评测，附原始结果及准确率、校准和延迟分析。

可复现护栏基准，通过类型化 Noul 检查与固定 0.5 拦截阈值比较 Jev 及其他决策系统，公开评分约定与作者运行结果。

以日本邮政 KEN_ALL 为主数据，评估通过 AI SDK 调用 Jev 进行日文地址模糊匹配的性能。

在 collusion.wiki 语料上应用 Jev Noul 判断，识别页面由 Agent 还是人类创作，并与本地 Qwen3.8-Flash-Next 正面对比。

测量 TypeSafe RLCD-Jev 模型识别文件片段中真实密钥凭据的能力。

测试 Jev 预测金融市场的能力；结果与多数 2026 年 9 月的 LLM 类似，表现并不理想。

评估 TypeSafe System One 原语 Choice、Score 和 Noul，研究类型化 Oracle 优于 LLM 调用的场景。

可复现的小型 MuJoCo 先导研究，对比 Jev、Claude Haiku 和反应式规则在抓取放置任务中的表现。

图表：在泰国标准化考试上评估 TypeSafe Jev，并与其他 110 个模型比较。

对抗性 Jev 评估套件，包含预先注册的预测、请求日志和可重现的实验工件。

ORDER BY 是否会以 Jev 概率将行置于合理的顺序中？ TypeSafe AI 的 Jev 的独立排名、校准和不变测量​​：通过了 360 个标记行上的 6 个预先注册的门，在分级产品相关性方面未通过 6 门中的 4 门。