README 自动摘要
根据 README 自动整理于 2026年10月17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
在 10,000 条 Jigsaw 有毒评论（8,000 训练 / 2,000 验证）上对四种文本分类方法进行正面基准对比：自定义 PyTorch MLP、纯 k-NN（K=7）、Jev 零样本分类，以及微调后的 BERT。
它怎么用 Jev
Jev（System One，jev-1.13.0）对每条评论使用六个 Noul 问题进行零样本分类。README 未说明传给 Jev 的状态，也未说明其返回的概率在代码中除用于与其他模型对比预测外如何被使用。
用到的原语:noul
值得抄的做法
对每条评论用六个 Noul 问题进行零样本分类，并与训练好的 MLP、k-NN 和 BERT 基线对比。
怎么试
克隆仓库，创建 uv 虚拟环境，基于缓存结果运行 charts.py 和 src/compare_results.py；用 scripts/restore_data.sh 恢复数据。
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 是项目的核心片段中未检出0.21
- 展示了 System One 用法在材料中检出0.63
- 写了怎么处理不确定片段中未检出0.04
- 给出了实测数字片段中未检出0.13
- 是能跑起来的工具片段中未检出0.06
- 学习案例 Top 10 候选信号片段中未检出0.38
- 是模型本身的复刻片段中未检出0.07
- 解决的问题够普遍（0–2）按 0–2 打分1.59 / 2
- 与 Jev 相关在材料中检出0.97
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17日 读 README 写成。