新闻详情

新闻详情

首页 / 资讯中心 / 详情

Jev in the Wild:首个 Jev 模型应用生态综述与分析

发布时间:2026/11/15 19:19:04来源:尧图网络
Jev in the Wild:首个 Jev 模型应用生态综述与分析
Jev是TypeSafe AI推出的System One model一种擅长高频小决策的decision model决策模型。许多应用都需要频繁地作出快速判断Jev 用“选哪个、是不是、打几分”三种方式处理这些判断兼顾零样本泛化、速度和成本。Jev 发布后迅速受到关注开发者也开始把它用到不同领域。为了看清大家究竟在用 Jev 做什么Jev in the Wild这项研究分析了 GitHub 上2,170 个公开项目梳理项目的增长趋势和应用领域分析三个接口如何配合、Jev 在不同场景中承担什么角色以及哪些方向最受关注论文还拆解了具体项目中的实际用法。1. Jev 的早期增长来自新项目也来自已有项目接入Jev 于 9 月 15 日发布。此后的一周里样本中出现了 1,865 个新建仓库另有 305 个发布前就存在的仓库接入了 Jev。两种路径同时出现有人围绕 Jev 开始新项目也有人把它放进原有程序承担其中的一步判断。2. 应用已经覆盖八大领域这些项目分布在界面 Agent、软件工程、搜索与记忆、安全与治理、路由与自动化、仿真与控制、内容与专业任务、基础设施等八大领域。Jev 的用途也很具体浏览器 Agent 用它选择下一步操作代码审查工具用它筛查潜在风险在一个马里奥模拟器项目中它根据结构化游戏状态选择合法动作。表格中还能看到机器人控制等探索方向。从筛查内容到选择动作、分配工具Jev 已经进入了各种不同的工作流。3. “选哪个、是不是、打几分”经常一起用Jev 提供三个接口Choice从候选项中选一个Noul做是或否的判断Score给出评分。图中最常见的组合恰好是三个接口一起用。论文附录中的代码审查项目给出了一个直观例子先判断一处代码改动是否可能有风险再选出相关的代码片段最后给风险排优先级。一次任务里选择、判断和评分可以连起来使用。这也提示同类决策模型同时提供三类接口开发者更容易把模型接入已有流程。4. 同一个 Jev在不同场景里负责不同的事在仿真与控制项目里Jev 常被用来选动作在搜索与记忆系统里它会判断或筛选内容在路由系统里它负责挑选模型或工具。仿真与控制领域的决策用途中52% 是动作选择。周围的程序负责准备信息、给出选项并执行后续操作Jev 负责返回其中那一步判断。工作流怎样使用答案决定了 Jev 在项目里发挥什么作用。5. 项目分布广GitHub 关注度集中在两类界面 Agent让 Jev 决定网页等界面上的下一步路由与自动化让它选择模型、工具或后续流程。这两类合计只占样本项目的19.6%却获得了63.0% 的仓库 Stars。项目遍布八大领域GitHub 上的关注度却主要落在界面操作与模型、工具调度上。Jev 在这些项目中就像一个可复用的小决策组件同一模型可以回答不同问题接入不同工作流。论文附录还拆解了 7 个具体项目展示它如何参与浏览器操作、代码审查、模型路由和马里奥控制。研究范围以上结论基于截至 2026 年 9 月 22 日可核查的公开 GitHub 项目不涵盖私有仓库或商业应用。论文Jev in the WildarXiv:2609.30216
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉