lejudge-jev-jepa

这是什么

一个针对 LeWorldModel 规划的 PushT 研究与成本模块。它将想象出的潜变量转化为封闭词汇的事实，就自然语言约束向 Jev 提出类型化问题，并将概率加入 CEM 规划器的成本。附带 oracle 和关键词基线、缓存响应以及离线论文重建。

它怎么用 Jev

Jev 针对每个（约束，步骤）就来自想象潜变量的探测事实回答一个类型化的是/否问题，返回 P(true)。Python 将这些概率折叠进 CEM 成本：never 取步骤上的最大值，always 取 1−最小值，soft 取预期评分等级。已判定的步骤事实会在候选、迭代、重规划、回合和运行之间被记忆化。

用到的原语:choicescorenoul

值得抄的做法

用决策模型而非 LLM 判定封闭词汇的探测事实，并记忆化已判定的步骤事实，将 300 个候选的群体压缩为几百次调用。

怎么试

参见 README 的“Reproduce everything”和“Use it in your own planner”部分。

去 GitHub 看