Lokale und Offline-Modelle

Vorgefertigte Modelle und Feinabstimmung ermöglichen Ja/Nein-, Auswahl- und Bewertungsfragen zu gemeinsamem Text. Die API folgt TypeSafe System One, sodass das TypeSafe Python SDK einen lokalen Kev-Server ansprechen kann.

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.

Der durchsuchbare Speicher erschließt frühere Entscheidungen, Debugging-Kontext und Funktionshistorie über unterstützte Agenten hinweg; Markdown bleibt die maßgebliche Quelle. Optionales Jev-Reranking sortiert Suchergebnisse über die entfernte TypeSafe-API ohne Download eines lokalen Reranker-Modells.

Das Modell beantwortet Auswahl-, Boolean- und geordnete Bewertungsfragen aus Zuständen und Kandidaten ohne Antworttoken-Decoding. NanoJev ist ein eigenständiges lokales Modell nach Jevs Vorbild; Aufzeichnungen vergleichen Jev und nicht feinabgestimmtes Qwen an denselben Spielschnittstellen.

Text oder strukturierter Zustand und eine Ja/Nein-Frage ergeben die Wahrscheinlichkeit für Ja. Der Server nutzt Jevs Noul-Kommunikationsformat, sodass bestehende Clients ein eigenständiges, selbst betriebenes Modell ansprechen können.

decider liefert Choice-, Score- und Noul-Wahrscheinlichkeiten aus Zustand und typisierten Fragen in einem Vorwärtsdurchlauf. Die unabhängige Modellfamilie nach Jev-Vorbild basiert auf Qwen; ihre Trainingsdaten wurden nicht aus Jev destilliert. Python Decider aufrufen oder TypeSafe-SDKs mit dem kompatiblen lokalen HTTP-Endpunkt verbinden.

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.

awesome-jev-by-typesafe sammelt belegte Anwendungsfälle, Prompts, Muster und Einstiegscode als unabhängige Community-Ressource. Es erklärt Choice, Score und Noul für Klassifikation, Routing und Prüfung; der Code behält die Ablaufkontrolle. Python- und TypeScript-Beispiele stehen bereit. Offline-Policytests benötigen keinen Schlüssel; Live-Beispiele erfordern TYPESAFE_API_KEY.

LocalJev übersetzt typisierte Anfragen in DiffusionGemma-Klassifikationsprompts und validiert die erzeugten Wahrscheinlichkeiten. Der Bun-Dienst liefert das Jev-Antwortformat über ein normales OpenAI-kompatibles Chat-Backend. Mit Bun und einem oMLX-Server starten und TypeSafe-SDK-Clients auf die lokale API richten.

hippo-memory speichert Agentenerinnerungen in SQLite, dokumentiert ihre Herkunft und unterdrückt falsche Erinnerungen nach Rückmeldung. Der optionale Jev-Reranker sortiert abgerufene Erinnerungen und ist standardmäßig ausgeschaltet. Über CLI oder MCP lassen sich Erinnerungen speichern, abrufen und zwischen Entwicklungswerkzeugen teilen.

Rizzo Flow betreibt offene Modelle lokal und liefert Auswahlwerte, Wahrscheinlichkeiten, Rubrikwerte und Zahlen über eine Jev-kompatible HTTP-Schnittstelle. Das unabhängige Projekt bildet Jevs Schnittstellenmuster nach, nicht dessen proprietäre Architektur oder Training. Ein Modell mit llama.cpp bereitstellen und TypeSafe-kompatiblen Anwendungscode auf den lokalen Endpunkt richten.

Von bewertet unabhängige Fragen in einem Durchlauf für Klassifikation, Ja/Nein-Prüfungen und geordnete Bewertungen. Es ist ein eigenständiges System-One-Modell mit TypeSafe-kompatibler API, im Prozess oder über HTTP nutzbar. Python- oder TypeScript-SDK verwenden oder das lokale Modell mit von serve bereitstellen.

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.

TipTour ist ein macOS-Menüleistenassistent mit Jev-Textaufgaben und einem separaten Gemini-Sprachmodus. Jev wählt lokal erkannte Steuerelemente; TipTour führt Klicks aus und prüft sie. Screenshots bleiben lokal. Modus wählen, API-Schlüssel hinterlegen und Rechte erteilen; zum Bauen sind macOS 14.2+ und Xcode nötig.

JevChat-Windows liest WeChat- und KakaoTalk-Gespräche per lokaler OCR und zeigt Antwortvorschläge neben dem Chat. Jev bewertet Absicht und Anspannung und sortiert drei Vorschläge; ein separates Sprachmodell formuliert sie. Unter Windows 10 1903+ oder Windows 11 jeweils einen Schlüssel für Bewertung und Textentwurf einrichten.

Jev Review untersucht Git-Diffs oder ganze Codebasen auf Korrektheit, Sicherheit, Zuverlässigkeit, Kompatibilität und Testabdeckung. Jev wählt Belege, klassifiziert Mechanismen, bewertet den Schweregrad und wählt bei Bedarf per Choice einen Reviewer. Der Code setzt Schwellenwerte und Ablaufregeln um. Mit Node.js 24+, Git und TypeSafe-Schlüssel JSON-Berichte erzeugen oder gespeicherte Prüfungen lokal ansehen.

Das Paket führt Laya von Convai Innovations mit ONNX Runtime aus und ermöglicht typisierte Klassifikation und Bewertung in Node.js und TypeScript. Unter Node.js 20 oder neuer @receptron/laya installieren, Laya laden und Zustand sowie typisierte Fragen an systemOne übergeben. Die Instanz danach schließen.

Das Projekt steuert einen Spieler in Minecraft Java 1.16.5 über Mineflayer und trennt Modellplanung von der Aktionsauswahl durch Jev. Modellrelay und lokale Laufzeitpfade konfigurieren, Abhängigkeiten installieren, den Vanilla-Server starten und dem dokumentierten nether-agent-Ablauf folgen.

Jev Search macht aus natürlichsprachlichen Anfragen Links und Auszüge mit bearbeitbaren Filtern und sichtbaren Relevanzwerten. Lokal Search1API und einen Jev-Anbieter in .dev.vars konfigurieren, mit pnpm installieren und pnpm dev ausführen.

jev-router startet die ursprünglichen Coding-CLIs über einen lokalen Proxy und wählt für jeden neuen Nutzerturn eine Modellstufe. Mit npm installieren, JEV_API_KEY setzen und jev-claude oder jev-codex mit installierter und authentifizierter Original-CLI starten.

Mobile Jev steuert Android über Mobilerun und bietet Live-Studio, CLI und Ausführungsspuren. Beide Anbieterschlüssel und eine einsatzbereite Geräte-ID konfigurieren, dann mit pnpm dev das lokale Studio öffnen und ein Ziel eingeben.

TypeSafe Mario ist eine experimentelle NES-Steuerung mit Emulatortelemetrie und aus RAM gewonnenen Beobachtungen. Mit Python 3.13, TypeSafe-Schlüssel und lokalem Spiel zuerst state-demo prüfen, dann play starten.

LLM2Jev bewertet Kandidaten mit Prefill-Logits lokaler Sprach- und Bildmodelle, ohne tokenweise Antworten zu erzeugen. Es ist eine unabhängige Jev-artige Implementierung mit System-One-kompatiblem HTTP-Endpunkt. Python oder HTTP mit SGLang, Transformers oder MLX und unterstützten Text-/Bildeingaben verwenden.

Unclutter blendet unnötige Elemente in Chrome, Chromium und Firefox mit gespeicherten Regeln für Seitenvorlagen aus. Jev klassifiziert Kandidaten; die Erweiterung validiert Antworten und steuert Selektoren sowie umkehrbares Ausblenden. TypeSafe- oder Vercel-Zugang wählen und standardmäßig manuell analysieren; gespeicherte Regeln funktionieren offline.