jevbooks

← 全部项目

judgekit

lexingtonhibiki/judgekit

基于 YAML 的分类、路由、评分与验证,支持 Jev 和 OpenAI 兼容后端。

评测与基准0.68次选分类: 分类与路由漏斗
README 自动摘要

根据 README 自动整理于 2026年10月3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

judgekit 让你用 YAML 定义小型、明确的决策,并作为分类、路由、评分或验证任务运行。它适用于脚本、支持工作流和需要一致决策 JSON 与成本记录的应用。

它怎么用 Jev

Jev 原生的 Choice/Score/Noul 原语为 classify、route、score 和 verify 任务提供标签概率分布。任务声明的 input_field 会传给 Jev;返回的概率用于生成决策值、提供者和成本。低置信度可在 0.7 处进行门控。

用到的原语:choicescorenoul

值得抄的做法

在 0.7 处门控低置信度决策,以最小升级捕获误判。

怎么试

python -m judgekit demo

去 GitHub 看

开始使用 Jev:API key 与第一个请求 →

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0.19
  • 展示了 System One 用法在材料中检出0.73
  • 写了怎么处理不确定在材料中检出0.95
  • 给出了实测数字在材料中检出0.98
  • 是能跑起来的工具在材料中检出0.95
  • 学习案例 Top 10 候选信号片段中未检出0.37
  • 是模型本身的复刻片段中未检出0.08
  • 解决的问题够普遍(0–2)按 0–2 打分1.93 / 2
  • 与 Jev 相关在材料中检出0.96
信号
Jev 是项目的核心0.19展示了 System One 用法0.73写了怎么处理不确定0.95给出了实测数字0.98是能跑起来的工具0.95学习案例 Top 10 候选信号0.37是模型本身的复刻0.0800.51解决的问题够普遍(0–2)1.93 / 2012

无判定区(0.40–0.60)

设计模式
漏斗0.95体检0.63取景框0.61信号灯0.30验货0.22黑匣子0.2000.51

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3日 读 README 写成。