今天新增的 Jev 项目

基于 mmBERT 的开放双语 144.3M 决策模型，通过独立的本地 PyTorch 运行时返回带概率的 Choice、Noul 及 2–10 分 Score 答案。

开放的 4B 与 35B-A3B 视频决策模型，多问题共享视频前缀，通过直接候选评分输出时间定位区间与多选题答案，无需生成文本。

本地 SQLite BM25 检索流水线，Jev 通过批量 Noul 证据相关性判断重排段落，再由另一模型生成答案；选定文本会发送至托管服务。

托管 System One 兼容服务 Trio-Spark 的开放客户端、评测工具及可运行的文本、图像、视频决策演示；模型权重与训练代码未公开。

试点研究监控流水线，Jev 使用类型化 Noul 与 Score 判断新论文、仓库是否有助于开放研究问题，并分流为保留、审核或丢弃，由另一模型撰写每日笔记。

批量及流式日志分析应用，由 Jev 或 Laya 回答可配置的类型化事件问题，验证数值结果，并可选执行 Python 动作。

编程 Agent 插件，使用 Jev 或兼容的 System One 模型判断 Shell 风险、任务复杂度、上下文保留与工具暴露范围，具体能力取决于宿主 Agent。

统一调用 Jev、OpenRouter、OpenAI Decisions 与本地模型的 Python 客户端，支持类型化 Choice、Score、Noul 决策、按置信度回退及 System One 兼容服务器。

VisiData 插件，将文本列的各行发送给 Jev 或其他 OpenRouter 决策模型，并把类型化标签、分数、概率和置信度添加为新列。

实验性操作前门控，先应用确定性规则，再由 Jev 或本地兼容模型判断尚未决断的工具操作应执行还是要求确认。

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。