Jev Ultrafast
Jev 根據即時頁面結構選擇瀏覽器操作與目標元素;輸入文字由另一個模型生成。
瀏覽經過篩選並依 GitHub Star 數排序的 Jev 開源專案,涵蓋 AI 代理、MCP、SDK 與範例;同時探索受 Jev 啟發的社群 System One 模型與介面實驗。
依用途篩選專案。排名依據特定日期的 GitHub 資料,只涵蓋本站已審查的儲存庫。
顯示第 1–10 個,共 126 個符合條件的專案
Jev 根據即時頁面結構選擇瀏覽器操作與目標元素;輸入文字由另一個模型生成。
Android 聊天助理:透過無障礙介面或 OCR 讀取畫面訊息,以 Jev 判斷意圖與風險並排序回覆草稿,不會自動傳送。
Claude Code 外掛:用 Jev 判斷哪些工具呼叫與結果該保留、精簡或捨棄,不改寫對話原文。
面向程式開發代理的 CLI 與 Skill,運用 Jev 逐層篩選相關目錄、檔案和程式宣告,並回傳原始碼片段及延伸閱讀線索。
Monad 交易機器人可選用 Jev 判斷買賣方向;預設執行的是模擬規則。
透過 vLLM 部署支援的開源決策模型,提供批次處理、多模態輸入,以及處理 Choice、Noul 和 Score 的 System One API。
Windows 微信助理:在本機截圖並辨識文字,以 Jev 判斷語境、排序回覆候選;填入內容須由使用者確認,傳送始終手動完成。
用 Jev 追蹤程式開發代理的進度,判斷何時需要驗證或人工介入。
分階段呼叫 Jev,評估程式碼變更與程式碼庫的風險、判斷依據及問題嚴重程度。
可安裝的 Jev Skills 與可編輯的代理工作流程,附有情境範本、執行紀錄及測試。
不必改變原有的命令列工作流程,就能讓 Jev 為 Claude Code 或 Codex 的每輪操作選擇合適的模型等級。
提供查證、篩選、排序與程式碼審查等 Jev 工具的 MCP 伺服器。
用 Jev 選擇搜尋來源,並為 Search1API 回傳的結果排序;呈現原始連結,而非生成式回答。
讓負責編寫任務的 LLM 建立並視需要迭代專用 Jev Harness,再凍結程式碼與問題,用於可追蹤的執行期決策。
macOS 微信浮動助理:透過截圖與 OCR 讀取對話,以本機模型或 Jev 判斷意圖、提示風險並產生回覆草稿,不會自動傳送。
透過 Mobilerun,讓行動裝置上的 AI 代理使用 Jev 選擇 Android 操作,並提供即時工作介面與執行紀錄。
本機服務,運用精確狀態分叉加速開放決策模型,並透過統一介面執行多種文字與多模態模型。
瀏覽器擴充功能,使用 Jev 辨識並隱藏頁面干擾元素,再依頁面範本重複使用本機規則。
用 Jev 選擇無介面瀏覽器的操作,並回傳執行步驟、最終頁面與螢幕截圖。
三個模擬交易機器人由 Jev 選擇合法市場操作,預算、冷卻時間與執行限制則由程式強制控管。
開源基準測試套件,用來比較 Jev 類結構化決策模型的品質、成本、延遲與穩定性。
結合人工標註與 GEPA 改進 Jev 分類器的命令列工具。
用 Jev 依自訂規則檢查程式碼的語意檢查工具。
TypeSafe 官方 Python SDK,可送出指定輸出類型的問題並讀取 Jev 的結構化結果。
TypeSafe 官方 JavaScript/TypeScript 客戶端,用於送出指定輸出類型的問題並讀取 Jev 的結構化結果。
供代理使用的自架 Skill 資料庫,可透過 TypeSafe、OpenRouter 或 Vercel AI Gateway 讓 Jev 從獲准的 Skill 中提供建議。
DeepSeek Harness 的決策外掛,在 DSH 與相容的程式設計代理流程中使用 Jev 做範圍明確的判斷。
以十個層級提供 30 個可執行的 Jev 範例,從簡單的結構化判斷逐步延伸到編碼代理的 Hook、工具與自主呼叫。
為 PostgreSQL 加入語意篩選、擷取、排序與驗證運算子,並提供 Jev 執行、快取及可解釋的機率資料。
彙整加密市場指標與精選 X 貼文,再由 Jev 判斷操作傾向、情緒、軋空風險及催化因素,不執行交易。
支援多種 AI 工具的工作流程套件;選用的決策擴充把邊界明確的判斷交給 Jev,並重用專案規則與產物。
一款本地優先的社群媒體研究應用:Jev Choice 會從已觀察到的目標中選擇 Instagram、TikTok 與 LinkedIn 的唯讀操作,再由 socai CLI 在使用者的 Chrome 中執行,並回傳可追溯來源的證據。
DeepSeek Harness 外掛,用 Jev 完成 Skill 與檔案選擇、任務監督、結果過濾、修正和審批輔助。
可持續執行的新聞代理:定時擷取來源,用 Jev 篩選、去重,並按「炒作、事實、訊號」評分,程序重啟後仍可續跑。
TypeScript AI SDK,透過 decide 介面連接 TypeSafe Jev 等決策服務,用於型別化路由、門控與相關性判斷。
面向 Codex 的 Windows 與 Chrome 操作原型;Jev 負責語意選擇,本機程式執行步驟、驗證結果並處理復原。
非官方的代理 Skill,介紹 Jev 型別化決策、依信心分數設計的工作流程,以及取自社群專案的可重用模式。
多人協作的視覺化工作流程編輯器,可連接 Jev 與 LLM 節點、提供 REST API,並預覽測試執行結果。
用 Jev 評估程式開發代理的工具呼叫與不可信的回傳結果,再決定允許、要求確認或阻擋。
語意搜尋命令列工具:用 Jev 依含義為程式碼行評分,並透過 AND、OR、NOT 組合篩選條件。
一項 Claude Code 技能,把批次篩選、分類與排序交給 Jev,再將候選結果和信心分數交回代理檢查。
Rust 命令列工具,依目前工作階段內容用 Jev 相容服務為代理 Skill 排序,並支援拒答、Hook 與本機回饋。
讀取《寶可夢 紅》的合法遊戲狀態,讓 Jev 決定移動、對話、隊伍與戰鬥操作,全程不改寫遊戲記憶體。
瀏覽器擴充功能示例,把網頁透過 WebMCP 提供的工具與 Jev 的選擇能力結合。
macOS 電腦操作 Harness:讀取無障礙介面狀態,由 Jev 選擇操作,不需要視覺模型。
原生 Swift 6 橋接程式庫,把 Apple Foundation Models 與 Jev 結合,輸出附帶機率的型別化決策。
代理評測與護欄工具,把執行軌跡和評分規則轉成 Jev 判斷,也可執行相容的本機模型。
一套 CLI 與本機 MCP 服務,將已授權的程式片段交給 Jev 評估相關性,再回傳附有路徑與行號的原始內容。
在本機執行的唯讀 Gmail 分類工具,以 Jev 將郵件歸入預設資料夾與標籤。
程式碼倉庫檢查工具:結合本機結構分析與 Jev 判斷,優先找出高風險檔案及最值得先做的重構。
將 Jev 的選擇結果、分數與機率轉換成 Home Assistant 的實體與自動化動作。
一套 MCP 服務與命令列工具,爬取網站時用 Jev 篩選連結和段落,再把附來源的原文片段交給代理閱讀。
用 Jev 決策模型替程式代理的每一步選擇快速或高能力模型,透過 OpenAI 相容代理接入,並公開可重現的 Terminal-Bench 結果。
Chrome 擴充功能:透過規則、請求解析與 Jev 判斷,攔截瀏覽器代理可能更動伺服器資料的請求。
一款桌面瀏覽器:規劃模型設定目標,Jev 從頁面已辨識的操作中選擇,本機受控程式負責執行並記錄結果。
循序漸進的 Jev 指南,包含 Playground 練習、API 呼叫、程式代理設定,以及經 Jev 1.14 驗證的可執行模型路由範例。
本機閘道與視覺化工具,將 Jev 請求和回應記錄到 SQLite,並在應用程式執行時即時呈現呼叫關係。
面向 TypeSafe Jev API 的社群 Java 用戶端與 Spring AI 整合。
Android 微信模組,將對話脈絡交給 Jev,分析情緒、言外之意並提供回覆建議。
在本機把 OpenCV 量測、數值硬規則與 Laya 或 Jev 判斷結合,用於農業與影像品質檢測的工作台。
在 GraphRAG 流程中切換本機 Laya 或雲端 Jev,用於判斷圖關係、遍歷路徑與篩選結果。
可自行託管的多機器人聊天室;Jev 選擇由哪個機器人回覆,本機 Pi 常駐程式執行每一輪。
一個 Rails 搜尋層,利用 Jev 完成索引時標記、查詢意圖判斷與串流重排,並結合關鍵字和向量搜尋。
一個 MCP 伺服器,提供由 Jev 驅動的驗證、篩選、排序與審查工具,並依機率決定繼續、複核或升級處理。
從一個已確認的惡意實體出發,沿遙測關聯追查,並用 Jev 重建事件時間軸、執行鏈與證據表。
讓 Go 應用或 UNIX 管線呼叫 Jev Choice、Score 與 Noul 判斷的 SDK 和命令列工具。
Rust 命令列客戶端,可把 Jev 結果轉成終端輸出、JSON、結束碼與 MCP 工具,供腳本、CI 和代理使用。
面向 Jev 的 Python 介面,支援判斷、標記、分類與評分,以及同步、非同步、批次與 Schema 工作流程。
用於比較決策模型的本機評測實驗室,提供可檢查的測試案例、記錄指標、工作流程重播和可攜式報告。
先由 Jev 判斷逐字稿片段,再以確定性程式剪出精華版與精簡版影片,並產生可跳回時間點的摘要。
用 Jev 機率判斷新 arXiv 論文是否符合自然語言興趣,並產生排序頁面與 RSS。
15 個經過實測的 Jev 範例,涵蓋客服分流、檔案整理、個資偵測、搜尋重新排序、瀏覽器操作等情境。
Claude Code 權限閘道,結合 Shell 感知檢查與 Jev 判斷,對自動模式工具呼叫進行允許、拒絕或轉交。
用已標註的調校集與保留集測試 Jev 問題,呈現錯誤與校準結果,並判斷問題適合自動決策還是只用於排序。
讓本機模型 Laya 與 Jev 在貪食蛇競速和格鬥擂台中對戰,每一步都由模型即時決策。
瀏覽器擴充功能:用自然語言規則篩選 X 動態,可使用 Jev 或使用者選擇的其他相容模型。
一組 Choice、Noul 與 Score 的 Jupyter Notebook 範例,清楚區分已完成的即時或錄製案例與規劃內容。
為 OmO 與 senpi 代理接入 Jev,用於挑選 Skill 和工具、檢查進度、辨識循環,並可執行受控操作。
為 DeepSeek Harness 設計的 Jev 優先代理迴圈,提供可重用的型別化動作、信心閾值、重試與執行追蹤。
一套 CLI、套件管理器與 SDK:Jev 依自然語言要求選擇已安裝的小程式,並按信心分數決定執行、確認或詢問。
用於瀏覽器與 macOS 任務的本機 MCP 伺服器;Jev 選擇有限操作,本機程式負責執行、驗收與保留軌跡。
Jev 實作課程,以 Notebook 介紹代理、路由、安全檢查等快慢腦協作模式。
面向教學工作坊的 CLM-8B 重建,公開訓練程式碼、實測重現結果、已知差距與可互動示範。
開放的 4B 視覺決策模型,公開權重、訓練與校準程式碼,並透過 TypeSafe System One API 提供服務。
附 Python 與 JavaScript 用戶端的批次代理,並行評估多個 Jev 狀態並傳回有序的 Apache Arrow 資料流。
用於地球觀測的開源決策模型,公開權重、訓練與評測程式碼、校準機率及衛星影像基準結果。
瀏覽器測試工具:撰寫測試時由 Jev 找到控制項,後續使用錄製結果重播,是否通過則由應用程式碼判斷。
適用於 OpenCode Magpie 的外掛,可讀取 OpenCode Zen 與 Kilo Gateway 的免費模型目錄,並加入原生 Jev System One 路由。
把圖片、影片和 RGB-D 輸入接入 Jev,將偵測到的物件與場景資訊轉成結構化視覺決策。
一套可重現的多代理實驗與協作核心:由 Jev 判斷多個 Claude Code 代理同時寫入時是否衝突,再決定放行、等待或交由較慢的模型處理。
零樣本命名實體辨識工具,讓 Jev 選取、核驗並標註文字片段,附帶機率、判斷軌跡和多語言基準結果。
比較 Jev 與 AnyJev 的小型應用,判斷新聞標題是諷刺還是真實新聞,並顯示雙方的判斷及機率。
透過一套命令列工具,在 8 組基準上評測 20 個 Jev 類模型系列,並提供整理好的資料集、機率指標及可下載排行榜。
供代理使用的 Android 控制層:Jev 可先選擇下一個介面操作,再由原生自動化驗證並執行。
在超高解析度遙測影像中搜尋並評估候選視圖,再從模型記憶與影像證據支持的答案中作出選擇。
一款潛行遊戲:Jev 提出守衛的行動判斷,再由遵循固定規則的遊戲程式碼驗證並執行。
在 DGX Spark 上執行的決策服務,透過 Jev 相容 API 提供校準後的 d3-ultra 判斷,並公開 JevBench 結果。
相容 OpenAI 的本機服務,將小型 llama.cpp 模型與 Jev 決策結合,同時讓文字生成留在使用者裝置上。
macOS 上的程式開發代理控制介面,利用 Jev 將請求分派到執行中的工作階段、資料夾或舊對話。
全雙工語音互動管線:Jev 負責等待、讓話與打斷等輪次控制,其他語音和語言模型處理辨識與回覆。
相容 OpenAI 介面的閘道,利用 Jev 將請求路由到適合的模型、代理或工具,並保留判斷紀錄及備援。
React 偵錯工具,可在開發 Node、Vite 或 Next.js 應用程式時追蹤 TypeSafe Jev 請求、回應及多次呼叫組成的決策流程。
將頁面可見控制項整理成索引,讓 Jev 選擇合法的 Playwright 操作,並保留證據與可重播測試。
Python Jev 工具包,包含同步與非同步用戶端、批次處理、校準、信心門控、圖模型工具、命令列和 MCP 伺服器。
僅用 CPU 的代理服務,從 Jev、Rune 或 Clef 學習重複的窄域問題,達到設定的一致性後才在本機回答。
八個 Python 工程範例,涵蓋 CAD 任務分流、有限元素分析初篩與物料清單對照等決策。
瀏覽器擴充功能,使用 Jev 依清晰度、寫作品質和頁面 SEO 等十項標準為內容區塊評分。
把非同步 Jev Box 偵測與光流、卡爾曼濾波結合,在不讓每一幀等待網路的情況下持續即時追蹤物件。
Android 求職輔助工具,結合 Jev 判斷與本機規則,標出薪資、福利及值得確認的條款。
可重現的 Jev 黑箱紅隊研究,公開程式碼、資料集與實驗結果,用來測試通用對抗後綴對結構化決策的影響。
以 52,199 個型別化決策請求和閉環環境評測 System One 模型與生成式 LLM,並公開資料集、執行工具及排行榜。
供 Claude、Codex 與 Grok 使用的跨平台桌面工作台,可選用 Jev 處理快速語音判斷及代理控制決策。
Google Apps Script 工具,用 Jev 為 Gmail 郵件加標籤、排優先順序和封存,並建立截止任務、標記釣魚郵件和產生每日摘要。
以 31 個類別、1,342 道文字決策題評測 20 個專用決策模型及 3 個關閉推理的 LLM 參照,並報告準確率、費用及延遲中位數與 p95。
SeleniumBase 範例:先從網頁 HTML 擷取相關證據,再讓 Jev 判斷是否有 CAPTCHA 及其類型。
可自行託管的決策模型格鬥擂台,支援自訂選手、成對錦標賽、確定性回放,並附有 21 個模型的基準結果。
OpenCode 外掛,將 Jev 相容的 System One 判斷提供為代理工具,並可自動審核指定的工作流程事件。
本機 MCP 閘道:程式代理存取敏感檔案前,先經過確定性的 PII/PHI 控制與界線明確的 Jev 判斷。
可重現的反事實偏差稽核,分析 134,772 個 Jev 答案,衡量僅改變身分資訊如何影響結構化決策。
為遞迴語言模型加入 Jev 驅動的分類、是非判斷與段落定位子呼叫,並提供費用上限、離線測試和可重現實驗。
適用於 Jev 與 Cloudflare Clef 的型別化 Go 封裝,支援 Choice、Noul、Score、供應商比較、明確策略與測試替身。
pi 程式開發代理的治理擴充,使用 Jev 協助規劃、模型分流、權限審查與結果驗證。
可透過 OpenRouter 執行的 Python 範例,包括客服案件分流與離線測試。
多語語音 AI 基準,在英文、印地語與印地英語的四類即時通話決策中比較 Jev、另一套決策 API 與三個 LLM。
目標導向的 Playwright 代理:用 Jev 選擇介面操作並檢查進度,自動錄製操作影片及產生使用指南。
社群維護的 n8n 節點,可透過 TypeSafe Jev、Venice 或其他 /v1/systemone 端點執行是非、單選及評分判斷。
這些社群模型與介面實驗受到 Jev 啟發,或探索相近的結構化決策方式。它們不是 TypeSafe 官方發布的 Jev 版本,也不參與上方的 GitHub 專案排名。
閱讀 System One 開發者指南Qwen3.5-9B + diffusion drafter9B Jev 風格決策模型,可選擇先推理再決策,並公開模型權重、訓練程式碼、資料及相容的本機 API。
Qwen3.5-4B4B 開放詞表機率決策模型,公開模型權重、兩階段訓練程式碼、本機推論與 HTTP 服務。
Qwen3.5-9B受 Jev 啟發的 LoRA 適配器與訓練方法,可處理選擇題與是非題;支援本機執行,目前僅接受文字。
Qwen3-0.6B小型決策模型,公開訓練程式碼,並以遊戲示範測試動作選擇。
Qwen3.5-2B微調模型,單次運算即可回傳多個結構化問題的機率分布;目前僅支援英文。
ModernBERT 151M / Verdict 2.0以小型編碼器為基礎的決策模型,公開權重,並提供瀏覽器內的 WebGPU 示範。
Qwen3.5-0.8B公開權重、訓練程式碼與評測的 0.8B 多模態決策模型;可在單次運算中處理文字和圖片,權重僅供非商業研究。
DiffusionGemma 26B-A4B以現有的 DiffusionGemma 模型提供類似 Jev 的結構化問答介面;沒有發布新的模型權重。
Open-model logits利用現有開源模型為候選答案評分,提供類似 Jev 的介面;沒有發布新的模型權重。
Spark-X2.5-4B可在本機執行的 Jev 相容服務,利用 Spark-X2.5 的答案機率作出判斷;多個問題共用一次狀態預填充,並附有操作介面與基準測試。
Any causal LLM無須訓練即可把因果語言模型轉成結構化決策模型,提供選項順序去偏、選用式校準與可重現評測。
Qwen3.5 / DeBERTa可離線執行的 Jev 相容服務,支援 Qwen 與 DeBERTa,並已用官方 SDK 驗證介面及公布 JevBench 結果。
Qwen3-0.6B面向代理執行軌跡等結構化問題的 Qwen3-0.6B 決策模型,公開權重與型別化 HTTP API,無須逐詞生成。
Causal LMs / SGLang以僅預填充評分,把本機因果語言模型接成 Jev 相容的 Choice、Score 與 Noul 服務;支援 SGLang、Transformers 及多模態輸入。
Laya / ONNX Runtime透過 ONNX Runtime 在 Node.js 中執行開源 Laya System One 模型,採用 Jev 相容的請求格式,並公開模型權重。
Qwen3.5-0.8B支援泰語與英語的 Qwen3.5-0.8B 決策模型,公開權重、訓練程式碼及 Jev 相容 HTTP API。
Qwen3.5-0.8B / 2B受 Jev 啟發的多模態決策模型,支援文字、圖片與影片,並公開模型權重、訓練程式碼和評測指令。
Qwen3.5-4B以 Qwen3.5 微調的開源 4B 決策模型,提供模型權重、可重現訓練方法與資料來源說明。
Open decision models一個本機 Rust 服務,可下載並執行多種開源決策模型,同時提供原生介面與 TypeSafe 相容 API。
Qwen3.5-0.8B / 2B / 4BQwen3.5 多模態決策模型系列,提供 0.8B、2B 與 4B 權重,並公開訓練、推論和校準評測程式碼以及 Jev 相容 API。
Qwen3.5-4B支援英文與韓文的 4B 決策模型,公開權重及多種量化版本,提供校準機率與 TypeSafe 相容的本機服務。
Qwen3.5-0.8B / 2B可在本機執行的 0.8B 與 2B 決策模型系列,公開權重、支援長上下文,並提供相容 API、代理 Skill、MCP 工具和評測指令。
Qwen3.5-2B / 9B · Qwen3.8-27BJev 的獨立開源重現,發布 2B、9B 與 27B 權重、訓練程式碼、相容的本機服務和可重現評測。
Qwen3.5-VL 2B / 4B / 9B支援文字和圖片的開源 2B、4B 與 9B 多模態決策模型系列,提供校準機率、拒答機制、公開權重和相容的本機 API。
0.6B / 0.8B / 4B decision models處理 Choice、Score 與 Noul 決策的小型開源模型,公開權重,可在 CPU、NVIDIA GPU 和 Apple 晶片上本機推論。
Qwen3.5-0.8B / 4B開放的 0.8B 與 4B Qwen3.5 判斷模型,提供權重、訓練程式碼、Jev 相容本機 API 與可重現的 Decision Index 結果。
Qwen3.5-0.8B / 4B為搜尋代理決策訓練的開放 0.8B 與 4B Qwen3.5 模型,公開資料、權重、訓練紀錄與校準程式碼。
Cloudflare Clef 27B / 9B在 Apple Silicon 上執行 Cloudflare Clef 與 Clef-Flash 的原生 C 和 Metal 推論引擎,透過 Jev 相容 API 處理文字、圖片與影片判斷。
mmBERT 144.3M用於本機型別化判斷的雙語 144.3M 編碼器模型,提供權重、校準工具、評測與 Jev 相容服務。
Multilingual Laya checkpoints多語非自回歸決策引擎,公開模型權重、訓練與微調程式碼,支援結構化判斷和相容的本機 API。
Qwen3.5-0.8B / 4B以凍結的 Qwen3.5 底座和小型可訓練物理模組打造的本機多模態決策引擎,公開 0.8B 與 4B 權重。
Laya / ONNX Runtime JavaLaya 模型的純 Java 執行環境,提供 Spring Boot、Gradle 整合及 Jev、OpenAI 相容決策端點。
Qwen3.5-4B / Qwen3.8-27B適用於 Qwen3.5 與 Qwen3.8 的 Jev 風格決策模型蒸餾和訓練框架,包含校準、評測及相容服務程式碼。
LLM-jp 4.1 8B / encoder 310M面向日語的型別化決策模型系列,公開 8B 和 310M 權重、訓練與評測程式碼、GGUF 服務以及 System One 相容 API。
Any llama.cpp GGUF替現有 llama.cpp 對話模型加入 System One API 與獨立分類通道,可選校準及有限推理,無須另外載入第二個模型。
Qwen3-VL-4B基於 Qwen3-VL-4B 的多模態決策模型,支援動態候選評分及不受候選順序影響的選擇,並公開校準程式碼與技術報告;模型權重仍待開放下載。
BitNet b1.58 2B基於 2B 三值 BitNet 的決策模型,以指標頭輸出型別化機率,公開可重現訓練紀錄和校準結果;已發布權重目前仍為私有存取。
Open ONNX decision models透過 ONNX 在本機 CPU 執行經過篩選的開放決策模型,並提供統一的型別化 Python 函式庫、命令列、REST 與 System One 相容 API。
Qwen3-VL-4B開放的 4B 視覺決策模型,公開權重、訓練與校準程式碼,並透過 TypeSafe System One API 提供服務。
Open decision model families本機決策模型執行環境,利用精確狀態分叉加速推論,並透過統一介面執行多種文字和多模態模型。
Multilingual encoder 57M / ONNX57M 多語編碼器決策模型,支援 Choice、Noul 與 Score,提供 ONNX 推論、瀏覽器與樹莓派示範,以及相容 System One 的 API。
Qwen3.5-9B LoRA / GGUF以 CPU 為主的 9B 多模態決策模型,以 GGUF 發布,支援 Choice、Score 與 Noul,並提供 TypeSafe 相容 API 和 LoRA 微調工具。
Qwen3.5-9B / d3-flash用於地球觀測的開源決策模型,公開權重、訓練與評測程式碼、校準機率及衛星影像基準結果。
Qwen3.5-9B / Qwen3-VL-8B在超高解析度遙測影像中搜尋並評估候選視圖,再從模型記憶與影像證據支持的答案中作出選擇。
d3-ultra 27B / NVIDIA DGX Spark在 DGX Spark 上執行的決策服務,透過 Jev 相容 API 提供校準後的 d3-ultra 判斷,並公開 JevBench 結果。
CPU proxy / learned narrow models僅用 CPU 的代理服務,從 Jev、Rune 或 Clef 學習重複的窄域問題,達到設定的一致性後才在本機回答。
CLM-8B面向教學工作坊的 CLM-8B 重建,公開訓練程式碼、實測重現結果、已知差距與可互動示範。
這些是社群獨立專案,並非 Jev 官方版本。
無論是已上線的產品、獨立網站、App、遊戲、自動化工具,或是一個新奇的實驗,只要 Jev 真正參與其中,我們都期待看到。分享你的作品,它可能會進入專案目錄、社群專題或未來榜單。
正在檢查登入狀態…
收錄前,我們會確認儲存庫的用途與來源。簡介依據專案本身的說明撰寫,不代表本站獨立驗證其效能或安全性。Star 數、開發語言、授權與最近提交時間都來自特定日期的 GitHub 資料,此後可能已有變動。
Star 數僅用於排列這份精選目錄,不代表專案品質。使用程式碼前,請查看 README、授權資訊與近期維護情況。