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
一个基于 JevBench 的基准测试，由 90 条真实 Roblox 游戏聊天举报组成，每条都有人工判定的有效性标签。它衡量决策模型判断举报是否有效的表现，并在相同条件下比较候选模型。
它怎么用 Jev
每个案例通过一个预检型 noul 问题判定：给定 state {report_reason, chat_logs}，询问 chat_logs 是否违反 Roblox 社区规则。noul 结果映射到标签 ["no","yes"]，其中 no=无效、yes=有效，并用于计算准确率、混淆矩阵和阈值扫描。
用到的原语:noul
值得抄的做法
使用单个预检型 noul 问题与二分类标签，跨模型基准测试举报有效性。
怎么试
运行 python build_dataset.py，然后用生成的 JSONL 运行 jevbench.cli run。
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0.94
- 展示了 System One 用法片段中未检出0.10
- 写了怎么处理不确定片段中未检出0.07
- 给出了实测数字片段中未检出0.22
- 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0.36
- 是模型本身的复刻片段中未检出0.38
- 解决的问题够普遍（0–2）按 0–2 打分1.43 / 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15日 读 README 写成。