LLM2Jev: decisiones locales sobre texto e imágenes

Un modelo no autorregresivo responde preguntas choice, score y noul; un enrutador selecciona el checkpoint. El servidor propio expone POST /v1/systemone para clientes Jev existentes, pero ejecuta el modelo Laya.

Incluye modelos preentrenados y ajuste fino para preguntas binarias, de elección múltiple y de puntuación sobre texto compartido. Su API sigue TypeSafe System One, por lo que el SDK Python de TypeSafe puede apuntar al servidor Kev local.

Resuelve pequeñas decisiones semánticas de enrutamiento, reintento y evidencia leyendo probabilidades sin generar frases de respuesta. Reproduce el patrón de interfaz de Jev, no su modelo ni entrenamiento no publicados, y no está afiliado a TypeSafe.

Responde preguntas de elección, booleanas y de puntuación ordenada a partir de estados y candidatos, sin decodificar tokens de respuesta. Es un modelo local independiente inspirado en Jev; las grabaciones comparan Jev y Qwen sin ajustar con las mismas interfaces de juego.

Proporcione texto o estado estructurado y una pregunta binaria para obtener la probabilidad de sí. El servidor usa el formato Jev para Noul, permitiendo a clientes existentes conectarse a un modelo autohospedado distinto.

RAG-Fusion genera variantes de consulta y combina sus clasificaciones mediante Reciprocal Rank Fusion para encontrar documentos que una sola consulta omite. Jev es un reordenador opcional de la evaluación; sus experimentos requieren JEV_API_KEY. La demostración original sigue usando solo búsqueda vectorial. El banco de evaluación compara estrategias en NFCorpus; la variante híbrida combina BM25, búsqueda vectorial, fusión y reordenación.