/ Модель

Характеристики

Лицензия
MIT
Библиотека
gguf
Опубликована
9 окт 2026

jev

Классификация текстаТекст → label

Локальная модель для классификации текста по вопросам с ответами «да/нет», выбором варианта или оценкой, рассчитанная на быстрый запуск на CPU.

176скачиваний за 30 дней1лайквеса обновлены9 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

jevos-v4 — локальная модель семейства Jev, опубликованная feder-cr как открытая альтернатива облачному API Jev. Она принимает текст и вопрос и возвращает вероятности ответов для классификации «да/нет», выбора из нескольких вариантов или выставления оценки. Модель предназначена для запуска на CPU: доступны сборка OpenVINO INT8 и варианты GGUF Q4_K_M и Q8_0 для llama.cpp. В README заявлена задержка 28–130 мс на ноутбуке; отдельный пример показывает около 20 мс для конкретного теста. Язык карточки — английский; в описании явно не заявлена поддержка других языков.

Модель подходит для локальной обработки нескольких вопросов к одному тексту и интеграции с клиентами, использующими формат API TypeSafe Jev. В ответе доступны вероятности вариантов и показатель confidence, который можно использовать для передачи сомнительных случаев человеку. По README, на более сложных задачах точность ниже, чем у облачного Jev; автор рекомендует проверять качество на собственных примерах. Лицензия — MIT.

Сценарии применения

  • Локальная классификация текста по вопросу «да или нет»
  • Выбор наиболее вероятного ответа из нескольких вариантов
  • Оценка текста по заданной шкале
  • Пакетная проверка нескольких вопросов к одному документу
  • Передача случаев с низкой уверенностью на проверку человеку

Ограничения

На сложных задачах, включая выявление мошеннических баллов и анализ патентных фраз, точность ниже, чем у облачного Jev; качество следует проверять на собственных данных. Оценки для шкал в README обозначены как ранняя возможность.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Decisions on a laptop CPU in 28–130 ms. Send a text and a question (yes/no, multiple choice or a score) and get back the probability of each answer, in TypeSafe Jev's API, on your own machine. Free and open source: an alternative to Jev that runs locally.

Same Snake game, same questions for both: jevos-v4 on a laptop answers in about 20 ms, Jev's cloud API in about 350 ms (mostly the network round trip), so the local snake makes many more moves in the same time.

Files

FileWhat it is
model/the OpenVINO INT8 model that the jev binary runs (CPU)
jevos-v4-q4_k_m.ggufthe same model as 4-bit GGUF, for llama.cpp and the tools built on it
jevos-v4-q8_0.ggufthe same model as 8-bit GGUF

These are the same files as the jevos-v4 release on GitHub; the SHA-256 of each is in that release's SHA256SUMS.txt.

Quickstart

Get the jev binary for your system from the GitHub release (Windows, Linux, macOS on Apple silicon), then put the model next to it:

tar -xzf jev-linux-x64.tar.gz                 # Windows: unzip jev-windows-x64.zip
hf download feder-cr/jev --include "model/*" --local-dir jev
cd jev
./jev serve                                   # Windows: jev.exe serve
curl http://127.0.0.1:8017/v1/systemone -H 'Content-Type: application/json' -d '{
  "model": "jev-latest",
  "state": "I was charged twice for the same order.",
  "questions": {"billing": {"type": "noul", "instructions": "Is this a billing problem?"}}}'
{"model": "jevos-v4", "answers": {"billing": {"type": "noul", "noul": 0.94}}, "usage": {"input_tokens": 27, "output_tokens": 0}}

One binary, CPU only, no Python.

Benchmarks

Same questions for every system, through the same HTTP client. Latency is the median of 10 requests on an Intel Core Ultra 7 255H laptop, 16 threads, each text read from scratch. No task text was used to train jevos; five of the six sets helped choose the released checkpoint.

jevos-v4JevLaya
Yes/no questions✓✓✓
Multiple choice✓✓✓
Scores✓ (early)✓✓
Runs onyour machinecloudyour machine
Costfreeper tokenfree
Context8,192 tokensnot stated512 tokens

jevos-v4 is much faster than the cloud API and free, but less accurate than Jev on the harder tasks above (fraud points, patent phrases): check it on your own questions before relying on it.

API

POST /v1/systemone, in TypeSafe Jev's wire format: code written for Jev's SDK works unchanged for yes/no questions. One request can ask several questions about the same text, which is read once:

{
  "model": "jev-latest",
  "state": {"item": "wireless mouse", "customer_message": "The box arrived empty. This is the second time!"},
  "questions": {
    "refund": {"type": "noul", "instructions": "Our policy refunds items reported missing within 30 days of delivery. Should this customer get a refund?"},
    "team": {"type": "choice", "instructions": "Which team should handle this message?",
             "criteria": {"billing": "payments, refunds", "shipping": "deliveries, missing parcels", "tech": "a product that does not work"}},
    "anger": {"type": "score", "instructions": "How angry is the customer?", "criteria": ["calm", "annoyed", "angry", "furious"]}
  }
}

A noul returns P(yes); a choice the most probable option; a score the expected level. Choices and scores also return a probability per answer and a confidence: when it is low, send the case to a person. Put the rule in the question, and do sums in code.

Options, memory use and building from source are in the README on GitHub; guides and measurements are in the wiki.

License and authors

MIT. Built by Federico Elia (@feder-cr) together with Loris Salsi (@LosaLosSantos).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
95575ae

0 моделей