DeepDoc: lokale Dokumentenrecherche mit Jev-Evidenzprüfung

Der Android-Assistent liest sichtbare Gespräche über Bedienungshilfen und lokale OCR und zeigt Analyse sowie Antwortvorschläge als Overlay. Jev bewertet Absicht und Antwortmöglichkeiten; ein generatives Modell erstellt drei Vorschläge, die Jev anschließend ordnet.

Die Pipeline erstellt Lernziele, mathematische Inhalte, Bildplanung und Manim-Szenen und prüft anschließend das tatsächliche Rendering. Jev bewertet Artefakte und Astras textliche Prüfberichte mit Score, Noul und Choice; Bilder erhält es nicht.

Der Bot ersetzt Post-only-Limitorders je Monad-Block und überträgt Orderbuch-, Order- und Ausführungsereignisse an ein Dashboard. Mit MODEL=jev und TYPESAFE_AI_API_KEY entscheidet Jev über Kauf oder Verkauf; das Standardmodell mock nutzt eine Momentum-Heuristik.

Der Assistent für mehrere Anbieter läuft auf Linux, Windows und macOS und umfasst Chat, Agenten, RAG und Werkzeuge. Das Jev-Plugin bietet jev_evaluate(state, questions) und gibt Choice-, Score- oder Noul-Ergebnisse an das aktuelle Modell zurück.

ollaya lädt offene Entscheidungsmodelle anhand ihres Namens und verarbeitet typisierte Fragen über einen lokalen Dienst. Das unabhängige Projekt implementiert TypeSafe-kompatible Endpunkte für vorhandene Jev-Clients. CLI, Desktop-App und MCP-Server stehen bereit; Modelfiles bündeln wiederverwendbare Fragensätze.

Shapeshift verwandelt Text in Ereigniskarten, Checklisten, Timer, Kostenteilungen und weitere aufgabenspezifische Oberflächen. Optional klassifiziert Jev Absichten und Signale; Code berechnet Daten und Zahlen. Standard ist die Offline-Schlagwortklassifikation. In der Bun-App tippen, Karte auswählen und speichern; ein serverseitiger TypeSafe-Schlüssel aktiviert Jev.