README 自动摘要
根据 README 自动整理于 2026年9月28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
tab-jev 结合了类似 Jev 的模型（将文本转化为类型化判断）和表格基础模型（通过上下文学习从有标签行中学习）。它适用于文本和表格各自携带信号且标签很少的分类问题。
它怎么用 Jev
Jev 回答关于文本列的目标 Noul 问题和可选的 Score 评分标准问题。每个选项的概率成为该行表格字段旁边的数值列。然后表格模型根据这些列和标签进行预测，结果以 Jev 格式返回。
用到的原语:noulscore
值得抄的做法
将 Jev 的每个选项概率转化为数值列，然后让表格基础模型从有标签行中上下文学习。
怎么试
pip install tab-jev；使用 jev_then_tab 搭配 JevHTTP 和 scikit-learn 风格的分类器（如 TabPFNClassifier）。
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0.68
- 展示了 System One 用法未判定0.44
- 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0.71
- 是能跑起来的工具在材料中检出0.78
- 学习案例 Top 10 候选信号未判定0.47
- 是模型本身的复刻片段中未检出0.13
- 解决的问题够普遍（0–2）按 0–2 打分1.12 / 2
- 与 Jev 相关在材料中检出0.98
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9月28日 读 README 写成。