README 自动摘要
根据 README 自动整理于 2026年10月15日，不是本站运行记录。运行步骤和作者声称的效果仍需核验。
这是什么
lev是一个开放的系统一决策模型及测试工具。它从状态（文本、工单、邮件、JSON）中一次性前向传播回答类型化问题（是/否、选择、评分），返回所提供选项上的校准概率。面向需要无需生成token的结构化决策的开发者。
它怎么用 Jev
lev使用Jev的通信协议/v1/systemone。给定状态和类型化问题，它从选项代码的logits中读取答案，通过平均两种顺序来消除位置偏差。结果是校准概率，直接在代码中使用（例如result.answers['intent'].choice）。
用到的原语:choicescorenoul
值得抄的做法
双模式读出：对单token选项使用标签token读出，对多选项使用候选路径头，避免固定选项上限。
怎么试
pip install "lev[serve] @ git+https://github.com/Abhinavexists/lev#subdirectory=packages/lev" 然后 lev serve --checkpoint interfaze-ai/lev
README 片段的模型判断
项目信号使用仓库元信息、已有摘要与 README 前 700 个字符；没有通读完整项目。“未检出”仅表示这些材料中未检出，并不证明项目没有该能力。这里保留原始判断与实际记录的模型、日期，不是源码审计或运行验收。
模型与判定日期
- 收录门禁
jev-1.13.0- 项目信号
jev-1.13.0- 项目分类
jev-1.13.0- 模式标签
jev-1.13.0
证据
这些信号只读取仓库元信息、已有摘要与清理后的 README 前 700 字符。≥ 0.60 表示片段中有提及，≤ 0.40 表示未检出，中间为未判定；都不是源码审查或运行结果。「可运行工具」题排除了研究实验，「推荐」题筛的是学习案例 Top 10，不是内容质量合格与否。
- Jev 是项目的核心在材料中检出0.83
- 展示了 System One 用法在材料中检出0.79
- 写了怎么处理不确定片段中未检出0.04
- 给出了实测数字在材料中检出0.93
- 是能跑起来的工具在材料中检出0.67
- 学习案例 Top 10 候选信号片段中未检出0.36
- 是模型本身的复刻在材料中检出0.92
- 解决的问题够普遍（0–2）按 0–2 打分1.08 / 2
- 与 Jev 相关在材料中检出0.94
无判定区（0.40–0.60）
无判定区（0.40–0.60）
各阶段的 Jev 模型与判定日期见上方记录。简介由 DeepSeek V4.1 Flash 于 2026年10月15日 读 README 写成。