README 自动摘要
根据 README 自动整理于 2026年10月21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
一个研究演示，使用微调的 MedGemma 适配器分析视网膜眼底图像，用 JEV 评估生成的发现，并通过 OpenRouter 使用 OpenAI 模型起草眼科医生和患者摘要。面向探索 AI 辅助糖尿病视网膜病变筛查的研究人员。
它怎么用 Jev
JEV 评估 MedGemma 生成的文本发现，而非图像本身。它充当质量门控：如果基于文本的可用性分数低于 0.70，则扣留分级和生成式摘要，并显示审查通知。如果通过，则生成 AI 评估的分级和紧急程度，并传递给 OpenAI 进行摘要起草。
用到的原语:score
值得抄的做法
使用基于文本的质量门控，在下游摘要生成前扣留不可靠的 AI 生成医学发现。
怎么试
在 Colab 中使用 T4 GPU 运行 model/colab_demo.py，在 .env 中设置 OPENROUTER_API_KEY 和 HF_TOKEN，然后在 Gradio 中上传去标识化图像。
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 是项目的核心未判定0.41
- 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0.31
- 给出了实测数字片段中未检出0.06
- 是能跑起来的工具片段中未检出0.31
- 学习案例 Top 10 候选信号片段中未检出0.33
- 是模型本身的复刻片段中未检出0.04
- 解决的问题够普遍（0–2）按 0–2 打分0.64 / 2
- 与 Jev 相关在材料中检出0.96
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21日 读 README 写成。