README 自动摘要
根据 README 自动整理于 2026年10月19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
面向开发者的 mental gym：由 AI agent 逐步教练，从零构建一个 Jev 风格 System One transformer，它在一次前向中读取一个共享状态和若干类型化问题，返回校准后的概率分布而非生成 token。
它怎么用 Jev
README 未描述代码中具体的 Jev 用法，而是描述如何构建 Jev 风格模型。目标设计遵循 Archer Hume 的黑盒重建，在 Hugging Face 的小型预训练因果 LM 上构建分支注意力、读出头和校准训练。
用到的原语:choicescorenoul
值得抄的做法
共享前缀分支注意力（Hydragen）加单 token 列表式打分（FIRST），并用恰当评分规则做校准。
怎么试
在能读取 AGENTS.md 的编码 agent 中打开仓库并说 "Set up the gym."。
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0.88
- 展示了 System One 用法在材料中检出0.70
- 写了怎么处理不确定片段中未检出0.04
- 给出了实测数字片段中未检出0.05
- 是能跑起来的工具片段中未检出0.16
- 学习案例 Top 10 候选信号片段中未检出0.15
- 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0.33 / 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19日 读 README 写成。