LLM2Jev: decisioni locali su testo e immagini

Un modello non autoregressivo risponde a domande choice, score e noul; un router seleziona il checkpoint. Il server autogestito espone POST /v1/systemone ai client Jev esistenti, ma esegue il modello Laya.

Modelli preaddestrati e fine-tuning gestiscono domande binarie, a scelta e di valutazione sullo stesso testo. L'API segue TypeSafe System One, consentendo all'SDK Python TypeSafe di puntare a un server Kev locale.

Gestisce piccole decisioni semantiche di instradamento, nuovi tentativi e verifica delle prove senza generare frasi di risposta. Riproduce il modello d'interfaccia Jev, non il modello o l'addestramento non pubblici, e non è affiliato a TypeSafe.

Risponde a domande di scelta, booleane e con punteggi ordinati da stati e candidati, senza decodificare token di risposta. È un modello locale distinto ispirato a Jev; le registrazioni confrontano Jev e Qwen non adattato sulle stesse interfacce di gioco.

Si forniscono testo o stato strutturato e una domanda binaria per ottenere la probabilità di sì. Il server usa il formato Jev per Noul, permettendo ai client esistenti di collegarsi a un modello autogestito distinto.

RAG-Fusion genera varianti della query e unisce le classifiche con Reciprocal Rank Fusion per trovare documenti che una sola formulazione può perdere. Jev è un riordinatore facoltativo nella valutazione; i suoi esperimenti richiedono JEV_API_KEY. La demo originale usa ancora solo la ricerca vettoriale. Il banco di valutazione confronta strategie su NFCorpus; la configurazione ibrida combina BM25, ricerca vettoriale, fusione e riordino.