README 自动摘要
根据 README 自动整理于 2026年10月14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
Bespoke Nimble 是一个基于 Qwen3.5-9B 的 LoRA 开放 9B 模型，接收文本和扁平的枚举或布尔问题模式，为每个字段返回一个允许的答案 token 及概率。它以 Apache-2.0 发布，附带数据管道、训练配置和评估工具。
它怎么用 Jev
README 未描述在代码中使用 Jev。它仅说明 Nimble 受 Jev 的 System One 方法启发，并报告在其 324 例留出集上达到 90.1%，而 Jev 为 93.2%。README 中没有出现 Jev API 调用或原语。
值得抄的做法
通过读取每个选项代码的 logits 并对其做 softmax，为每个字段评分一个允许的答案 token，避免解析生成的 JSON。
怎么试
git clone https://github.com/bespokelabsai/nimble.git nimble；cd nimble；使用 Python 3.12。
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0.74
- 展示了 System One 用法未判定0.55
- 写了怎么处理不确定片段中未检出0.05
- 给出了实测数字在材料中检出0.94
- 是能跑起来的工具片段中未检出0.38
- 学习案例 Top 10 候选信号未判定0.41
- 是模型本身的复刻在材料中检出0.96
- 解决的问题够普遍（0–2）按 0–2 打分1.23 / 2
- 与 Jev 相关在材料中检出0.93
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14日 读 README 写成。