Modèles locaux et hors ligne

Des modèles préentraînés et leur ajustement permettent de répondre à des questions binaires, à choix et de notation sur un même texte. L'API suit TypeSafe System One : le SDK Python TypeSafe peut pointer vers un serveur Kev local.

L'assistant Android lit les conversations visibles via l'accessibilité et l'OCR local, puis affiche analyses et suggestions en surimpression. Jev évalue l'intention et les choix de réponse ; un modèle génératif rédige trois propositions que Jev classe.

La mémoire consultable restitue décisions, contexte de débogage et historique des fonctionnalités entre agents compatibles ; Markdown fait référence. Le reclassement Jev facultatif utilise l'API distante TypeSafe sans télécharger de modèle local de reclassement.

Il répond aux questions à choix, booléennes et à scores ordonnés depuis états et candidats, sans décoder de tokens de réponse. Ce modèle local distinct s'inspire de Jev ; les enregistrements comparent Jev et Qwen non ajusté sur les mêmes interfaces de jeu.

Fournissez un texte ou un état structuré et une question binaire pour obtenir la probabilité de oui. Le serveur utilise le format Jev pour Noul, permettant aux clients existants d'accéder à un modèle autohébergé distinct.

decider renvoie des probabilités Choice, Score et Noul à partir d’un état et de questions typées en une passe. Cette famille indépendante de modèles de type Jev repose sur Qwen, sans données distillées depuis Jev. Utilisez l’interface Python Decider ou connectez les SDK TypeSafe au point d’accès HTTP local compatible.

ollaya télécharge des modèles de décision ouverts par leur nom et traite les questions typées via un service local. Ce projet indépendant fournit des points d’accès compatibles TypeSafe pour les clients Jev existants. Utilisez la CLI, l’application de bureau ou le serveur MCP ; les Modelfiles regroupent des questions réutilisables.

awesome-jev-by-typesafe rassemble des usages sourcés, prompts, schémas et exemples de code dans une ressource communautaire indépendante. Il explique Choice, Score et Noul pour classer, router et vérifier, tout en laissant le contrôle au code. Consultez les exemples Python et TypeScript ; les tests hors ligne sont sans clé, les appels réels nécessitent TYPESAFE_API_KEY.

LocalJev transforme les requêtes typées en prompts de classification DiffusionGemma et valide les probabilités générées. Son service Bun restitue le format Jev à partir d’un backend de chat compatible OpenAI. Exécutez-le avec Bun et oMLX, puis connectez les clients SDK TypeSafe à l’API locale.

hippo-memory conserve les souvenirs des agents dans SQLite, suit leur origine et réduit le rappel des souvenirs signalés incorrects. Son reclassement Jev facultatif ordonne les souvenirs retrouvés ; il est désactivé par défaut. CLI et MCP permettent de mémoriser et rappeler des informations partagées entre outils de développement.

Rizzo Flow exécute des modèles ouverts localement et renvoie choix, probabilités, scores et nombres via une interface HTTP compatible Jev. Projet indépendant, il reproduit le principe d’interface de Jev, pas son architecture ni son entraînement propriétaires. Servez un modèle avec llama.cpp et connectez le code compatible TypeSafe au point d’accès local.

Von évalue des questions indépendantes en une passe pour classer, vérifier des conditions et attribuer des notes ordonnées. Ce modèle System One distinct possède une API compatible TypeSafe, utilisable en processus ou par HTTP. Utilisez le SDK Python ou TypeScript, ou exposez le modèle local avec von serve.

Shapeshift transforme le texte en événements, listes, minuteurs, partages de frais et autres interfaces spécialisées. Jev facultatif classe intentions et signaux ; le code calcule dates et nombres. Les mots-clés hors ligne sont utilisés par défaut. Saisissez, choisissez et sauvegardez une carte dans l’application Bun ; une clé TypeSafe côté serveur active Jev.

TipTour est un assistant macOS proposant des tâches écrites Jev et un mode vocal Gemini distinct. Jev sélectionne les contrôles détectés localement ; TipTour exécute et vérifie les clics, en gardant les captures sur l’appareil. Choisissez un mode, fournissez sa clé API et accordez les permissions ; la compilation nécessite macOS 14.2+ et Xcode.

JevChat-Windows lit les conversations WeChat et KakaoTalk par OCR local et propose des réponses à côté du chat. Jev évalue intention et tension, puis classe trois propositions rédigées par un modèle de langage distinct. Configurez deux clés, pour décision et rédaction, sous Windows 10 1903+ ou Windows 11.

Jev Review examine les diffs Git ou tout le code pour vérifier correction, sécurité, fiabilité, compatibilité et tests. Jev sélectionne les preuves, classe les mécanismes et évalue la gravité ; selon les conditions du flux, il choisit le réviseur avec Choice. Le code applique les seuils et la politique du processus. Node.js 24+, Git et une clé TypeSafe permettent de générer du JSON ou consulter les revues enregistrées localement.

Le paquet exécute Laya de Convai Innovations via ONNX Runtime pour la classification et la notation typées dans Node.js et TypeScript. Installez @receptron/laya avec Node.js 20 ou ultérieur, chargez Laya et transmettez l’état et les questions typées à systemOne, puis fermez l’instance.

Le projet pilote un joueur de Minecraft Java 1.16.5 via Mineflayer, avec un modèle de planification séparé et Jev pour choisir les actions. Configurez le relais des modèles et les chemins locaux, installez les dépendances, lancez le serveur vanilla puis le parcours nether-agent documenté.

Jev Search transforme une demande en langage naturel en liens et extraits, avec filtres modifiables et scores de pertinence visibles. En local, configurez Search1API et un fournisseur Jev dans .dev.vars, installez avec pnpm puis lancez pnpm dev.

jev-router lance les CLI natives via un proxy local et choisit un niveau de modèle à chaque nouveau tour utilisateur. Installez avec npm, configurez JEV_API_KEY puis lancez jev-claude ou jev-codex avec la CLI d’origine installée et authentifiée.

Mobile Jev pilote Android via Mobilerun, avec studio en direct, CLI et traces d’exécution. Configurez les deux clés et un appareil prêt, puis lancez pnpm dev pour ouvrir le studio local et soumettre un objectif.

TypeSafe Mario est une boucle NES expérimentale utilisant la télémétrie de l’émulateur et des observations issues de la RAM. Avec Python 3.13, une clé TypeSafe et le jeu local, inspectez state-demo avant de lancer play.

LLM2Jev évalue les candidats avec les logits de prefill de modèles locaux, sans génération token par token. C’est une implémentation indépendante de type Jev, avec un point d’accès HTTP compatible System One. Utilisez Python ou HTTP avec SGLang, Transformers ou MLX et leurs entrées textuelles et visuelles prises en charge.

Unclutter masque les éléments superflus dans Chrome, Chromium et Firefox avec des règles enregistrées par modèle de page. Jev classe les candidats ; l’extension valide les réponses et contrôle sélecteurs et masquage réversible. Choisissez des identifiants TypeSafe ou Vercel et analysez manuellement par défaut ; les règles enregistrées fonctionnent hors ligne.