本地與離線模型

Kev 提供預訓練模型和微調功能，可針對共用文字回答是非、選擇及評分問題。 API 遵循 TypeSafe System One，可讓 TypeSafe Python SDK 連至本機 Kev 伺服器。

Android 助手透過無障礙服務及本機 OCR 讀取可見對話，在浮動視窗顯示分析與回覆建議。 Jev 判斷意圖及回覆選項，生成模型草擬三個候選，再交由 Jev 排序。

可搜尋的記憶協助跨代理找回決策理由、除錯背景和功能歷程，Markdown 始終是主要資料來源。 選用的 Jev 重排透過遠端 TypeSafe API 調整記憶搜尋結果順序，不需下載本機重排模型。

模型依狀態與候選項回答選擇、布林及有序評分問題，不必解碼答案詞元。 NanoJev 是受 Jev 啟發的獨立本機模型，錄影比較包含相同遊戲介面下的 Jev 與未微調 Qwen。

提供文字或結構化狀態與是非問題後，jevos 會傳回回答「是」的機率。 本機伺服器使用 Jev 的 Noul 請求格式，讓既有用戶端連接獨立的自架模型。

decider 根據狀態與型別化問題，在一次前向運算中回傳 Choice、Score 與 Noul 機率。 這是以 Qwen 為基礎的獨立 Jev 風格模型系列，訓練資料並非從 Jev 蒸餾而來。 可呼叫 Python Decider 介面，或讓 TypeSafe SDK 連接相容的本地 HTTP 端點。

ollaya 依名稱下載開放決策模型，透過本地常駐程式處理型別化問題。 它實作相容 TypeSafe 的端點，可接上現有 Jev 用戶端，但屬於獨立專案。 可使用命令列、桌面應用或 MCP 服務；Modelfile 可封裝重複使用的問題集。

awesome-jev-by-typesafe 是獨立社群資源，彙整有來源的 Jev 用例、提示詞、模式與入門程式碼。 它介紹用 Choice、Score 與 Noul 分類、路由及驗證，並將控制流程留在程式碼中。 可參考 Python、TypeScript 範例；離線策略測試不需金鑰，線上範例需要 TYPESAFE_API_KEY。

LocalJev 將型別化決策請求轉為 DiffusionGemma 分類提示詞，並驗證產生的機率輸出。 其 Bun 服務連接標準 OpenAI 相容聊天後端，對外提供 Jev 回應格式。 使用 Bun 與 oMLX 服務執行，再讓 TypeSafe SDK 用戶端連接本地 API。

hippo-memory 用 SQLite 儲存代理記憶、記錄來源，並依回饋抑制錯誤記憶。 可選用的 Jev 重排器為取回的記憶排序，預設關閉。 代理可透過命令列或 MCP 存取記憶，在不同程式開發工具間共享。

Rizzo Flow 在本地執行開放決策模型，透過相容 Jev 的 HTTP 介面回傳選擇、機率、量表評分與數值。 它重現 Jev 的介面模式，並未重現專有架構或訓練方法，屬於獨立專案。 使用 llama.cpp 部署所選模型，讓相容 TypeSafe 的應用程式連接本地端點。

Von 在一次前向運算中處理獨立問題，用於分類、是非判斷與有序評分。 它是獨立的 System One 模型，提供相容 TypeSafe 的 API，可在程序內或透過 HTTP 執行。 可用 Python、TypeScript SDK，或透過 von serve 提供本地模型服務。

Shapeshift 將文字輸入變成行程、清單、計時器、分帳等對應任務的介面。 可選用 Jev 判斷意圖與訊號；日期、算術由確定性程式處理，預設使用離線關鍵字分類。 在基於 Bun 的應用中輸入、選擇並儲存卡片；設定伺服器端 TypeSafe 金鑰即可啟用 Jev。

TipTour 是 macOS 選單列助手，提供 Jev 文字任務與獨立的 Gemini 語音模式。 Jev 選擇本地偵測到的控制項，TipTour 執行並驗證點擊；截圖留在本機。 選擇模式、提供對應 API 金鑰並授予權限；建置需要 macOS 14.2+ 與 Xcode。

JevChat-Windows 透過本地 OCR 讀取微信與 KakaoTalk 對話，在聊天視窗旁提供候選回覆。 Jev 判斷意圖、緊張程度並為三則候選排序；獨立語言模型負責起草。 在 Windows 10 1903+ 或 Windows 11 上，分別設定判斷服務與起草服務的金鑰。

Jev Review 掃描 Git 差異或完整程式碼庫，檢查正確性、安全性、可靠性、相容性與測試涵蓋。 Jev 選擇證據、判斷問題機制並評估嚴重程度，符合條件時透過 Choice 選擇審查者；程式碼負責門檻與流程策略。 使用 Node.js 24+、Git 與 TypeSafe 金鑰，產生 JSON 報告或在本地查看已儲存審查。

此套件透過 ONNX Runtime 執行 Convai Innovations 的 Laya 模型，為 Node.js 和 TypeScript 提供具型別的分類與評分。 以 Node.js 20 或更新版本安裝 @receptron/laya，載入 Laya 後將狀態和具型別的問題交給 systemOne，用完關閉實例。

此專案透過 Mineflayer 控制 Minecraft Java 1.16.5 玩家，由獨立模型負責規劃，Jev 負責選擇玩家動作。 設定模型中繼與本機執行環境路徑，安裝相依套件、啟動原版伺服器，再依文件啟動 nether-agent 流程。

Jev Search 將自然語言請求轉成網頁連結與摘要，提供可編輯篩選和可見的相關性分數。 本機使用時，在 .dev.vars 設定 Search1API 與 Jev 服務商，用 pnpm 安裝相依套件後執行 pnpm dev。

jev-router 透過本機代理啟動原生程式 CLI，為每個新的使用者回合選擇模型層級。 以 npm 安裝 jev-router，設定 JEV_API_KEY，在上游 CLI 已安裝並登入後執行 jev-claude 或 jev-codex。

Mobile Jev 透過 Mobilerun 控制 Android 裝置，提供即時工作台、CLI 及執行軌跡。 設定兩個服務金鑰及就緒裝置 ID，再執行 pnpm dev 開啟本機工作台並提交目標。

TypeSafe Mario 是實驗性 NES 控制迴圈，使用模擬器遙測和 RAM 擷取的遊戲觀察。 準備 Python 3.13、TypeSafe 金鑰及本機遊戲環境，先檢查 state-demo，再執行 play。

LLM2Jev 使用本地語言及視覺模型的預填充 logits 為候選評分，不逐 token 產生答案。 它提供獨立的 Jev 風格實作，以及相容的 System One HTTP 端點。 可透過 Python 或 HTTP 使用 SGLang、Transformers、MLX，並傳入支援的文字與影像。

Unclutter 在 Chrome、Chromium 與 Firefox 隱藏非必要元素，並為相符的頁面範本儲存規則。 Jev 將候選元素分成型別化類別；擴充程式驗證回應、控制選擇器，並以可復原方式隱藏內容。 選擇 TypeSafe 或 Vercel 憑證，預設手動分析；已儲存規則可繼續離線使用。