本地与离线模型

Kev 提供预训练模型和微调功能，可针对共享文本回答是非、单项选择和评分问题。 API 遵循 TypeSafe System One，允许 TypeSafe Python SDK 连接本地 Kev 服务器。

Android 助手通过无障碍服务与本地 OCR 读取可见对话，在悬浮窗显示分析及回复建议。 Jev 判断意图与回复选项，生成模型起草三条候选，再由 Jev 排序。

可搜索记忆帮助跨智能体找回决策原因、调试背景和功能历史，Markdown 始终是事实源。 可选的 Jev 重排通过远程 TypeSafe API 调整记忆搜索结果顺序，无需下载本地重排模型。

模型根据状态与候选项回答选择、布尔和有序评分问题，无需解码回答词元。 NanoJev 是受 Jev 启发的独立本地模型，录像对比包含在同一游戏接口下运行的 Jev 和未微调 Qwen。

向 jevos 提供文本或结构化状态及是非问题，即可得到“是”的概率。 本地服务器使用 Jev 的 Noul 请求格式，让现有客户端连接到独立的自托管模型。

decider 根据状态和类型化问题，在一次前向计算中返回 Choice、Score 和 Noul 概率。 这是基于 Qwen 的独立 Jev 风格模型系列，训练数据并非从 Jev 蒸馏而来。 可调用 Python Decider 接口，或让 TypeSafe SDK 连接兼容的本地 HTTP 端点。

ollaya 按名称下载开放决策模型，并通过本地守护进程处理类型化问题。 它实现兼容 TypeSafe 的端点，可接入现有 Jev 客户端，但属于独立项目。 可使用命令行、桌面应用或 MCP 服务；Modelfile 可封装重复使用的问题集。

awesome-jev-by-typesafe 是独立社区资源，汇集有来源的 Jev 用例、提示词、模式和入门代码。 它讲解用 Choice、Score 和 Noul 分类、路由与验证，并将控制流程保留在代码中。 可查看 Python、TypeScript 示例；离线策略测试无需密钥，在线示例需要 TYPESAFE_API_KEY。

LocalJev 将类型化决策请求转为 DiffusionGemma 分类提示词，并校验生成的概率输出。 其 Bun 服务连接标准 OpenAI 兼容聊天后端，对外提供 Jev 响应格式。 使用 Bun 和 oMLX 服务运行，再让 TypeSafe SDK 客户端连接本地 API。

hippo-memory 用 SQLite 保存智能体记忆、记录来源，并依据反馈抑制错误记忆。 可选的 Jev 重排器为召回记忆排序，默认关闭。 智能体可通过命令行或 MCP 存取记忆，在不同编程工具间共享。

Rizzo Flow 在本地运行开放决策模型，通过兼容 Jev 的 HTTP 接口返回选择、概率、量表评分和数值。 它复现 Jev 的接口模式，并未复现专有架构或训练方法，属于独立项目。 使用 llama.cpp 部署所选模型，让兼容 TypeSafe 的应用代码连接本地端点。

Von 在一次前向计算中处理独立问题，用于分类、是非判断和有序评分。 它是独立的 System One 模型，提供兼容 TypeSafe 的 API，可在进程内或通过 HTTP 运行。 可用 Python、TypeScript SDK，或通过 von serve 提供本地模型服务。

Shapeshift 将文字输入变成日程、清单、计时器、分账等面向具体任务的界面。 可选 Jev 判断意图和信号；日期、算术由确定性代码处理，默认使用离线关键词分类。 在基于 Bun 的应用中输入、选择并保存卡片；配置服务端 TypeSafe 密钥即可启用 Jev。

TipTour 是 macOS 菜单栏助手，提供 Jev 文字任务和独立的 Gemini 语音模式。 Jev 选择本地检测到的控件，TipTour 执行并验证点击；截图保留在本机。 选择模式、提供相应 API 密钥并授予权限；构建需要 macOS 14.2+ 和 Xcode。

JevChat-Windows 通过本地 OCR 读取微信和 KakaoTalk 对话，在聊天窗口旁提供候选回复。 Jev 判断意图、紧张度并为三条候选排序；独立语言模型负责起草。 在 Windows 10 1903+ 或 Windows 11 上，分别配置判断服务与起草服务的密钥。

Jev Review 扫描 Git 差异或完整代码库，检查正确性、安全性、可靠性、兼容性和测试覆盖。 Jev 选择证据、判断问题机制并评估严重程度，满足条件时通过 Choice 选择审查者；代码负责阈值与流程策略。 使用 Node.js 24+、Git 和 TypeSafe 密钥，生成 JSON 报告或在本地查看已保存审查。

该包通过 ONNX Runtime 运行 Convai Innovations 的 Laya 模型，为 Node.js 和 TypeScript 提供类型化分类与评分。 使用 Node.js 20 或更新版本安装 @receptron/laya，加载 Laya 后向 systemOne 传入状态和类型化问题，用完关闭实例。

该项目通过 Mineflayer 控制 Minecraft Java 1.16.5 玩家，由独立模型负责规划，Jev 负责选择玩家动作。 配置模型中继与本地运行时路径，安装依赖、启动原版服务器，再按文档启动 nether-agent 工作流。

Jev Search 将自然语言请求转成网页链接和摘要，提供可编辑筛选与可见的相关性分数。 本地使用时，在 .dev.vars 配置 Search1API 与 Jev 服务商，用 pnpm 安装依赖后运行 pnpm dev。

jev-router 通过本地代理启动原生编程 CLI，并为每个新用户轮次选择模型档位。 用 npm 安装 jev-router，配置 JEV_API_KEY，在上游 CLI 已安装并登录后运行 jev-claude 或 jev-codex。

Mobile Jev 通过 Mobilerun 控制安卓设备，提供实时工作台、CLI 和执行轨迹。 配置两个服务密钥及已就绪设备 ID，再运行 pnpm dev 打开本地工作台并提交目标。

TypeSafe Mario 是实验性 NES 控制循环，使用模拟器遥测及 RAM 提取的游戏观察。 准备 Python 3.13、TypeSafe 密钥和本地游戏环境，先检查 state-demo，再运行 play 命令。

LLM2Jev 使用本地语言及视觉模型的预填充 logits 为候选评分，不逐 token 生成回答。 它提供独立的 Jev 风格实现，以及兼容的 System One HTTP 端点。 可通过 Python 或 HTTP 使用 SGLang、Transformers、MLX，并传入支持的文本与图像。

Unclutter 在 Chrome、Chromium 和 Firefox 中隐藏非必要元素，并为匹配的页面模板保存规则。 Jev 将候选元素分为类型化类别；扩展代码校验响应、控制选择器，并以可撤销方式隐藏内容。 选择 TypeSafe 或 Vercel 凭据，默认手动分析；已保存规则可继续离线使用。