LLM2Jev: decisões locais de texto e imagem

Um modelo não autorregressivo responde perguntas choice, score e noul; um roteador seleciona o checkpoint. O servidor próprio expõe POST /v1/systemone para clientes Jev existentes, mas executa o modelo Laya.

Fornece modelos pré-treinados e ajuste fino para perguntas binárias, de múltipla escolha e de pontuação sobre o mesmo texto. A API segue TypeSafe System One, permitindo apontar o SDK Python da TypeSafe para um servidor Kev local.

Resolve pequenas decisões semânticas de roteamento, repetição e evidência lendo probabilidades, sem gerar frases de resposta. Reproduz o padrão de interface do Jev, não seu modelo ou treinamento não publicados, e não tem vínculo com a TypeSafe.

Responde perguntas de escolha, booleanas e de pontuação ordenada a partir de estados e candidatos, sem decodificar tokens de resposta. É um modelo local independente inspirado no Jev; gravações comparam Jev e Qwen sem ajuste nas mesmas interfaces de jogo.

Forneça texto ou estado estruturado e uma pergunta binária para receber a probabilidade de sim. O servidor usa o formato Jev para Noul, permitindo que clientes existentes acessem um modelo auto-hospedado separado.

RAG-Fusion gera variações da consulta e combina classificações com Reciprocal Rank Fusion para encontrar documentos que uma única formulação pode perder. Jev é um reordenador opcional na avaliação; seus experimentos exigem JEV_API_KEY. A demonstração original continua usando apenas busca vetorial. O conjunto de avaliação compara estratégias no NFCorpus; a configuração híbrida combina BM25, busca vetorial, fusão e reordenação.