jevbooks

← 全部项目

kenteiscript

receptron/kenteiscript

LLM 编写问题、JEV 评分书面答案的 JSON 测验语言。

评测与基准0.88次选分类: 打分与排序漏斗
README 自动摘要

根据 README 自动整理于 2026年10月17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

KenteiScript 是一种由 LLM 生成的小型 JSON DSL,用于测验和考试。它定义问题、自然语言评分标准、自适应难度以及等级/称号。包含 MulmoKentei,一个在 Cloudflare Workers + D1 上的示例运行时。

它怎么用 Jev

JEV 对每个书面答案进行评分。对于 Choice 问题,返回正确/接近/错误的概率;对于 Score 问题,返回评分标准等级 0–3 的概率。运行时利用这些概率计算得分、调整难度并确定最终等级和称号。

用到的原语:choicescore

值得抄的做法

用 LLM 编写问题和自然语言标准,再通过严格 schema 和示例答案在运行时前验证。

怎么试

在 Cloudflare Workers + D1 上运行 MulmoKentei;设置见仓库。

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 是项目的核心在材料中检出0.82
  • 展示了 System One 用法未判定0.45
  • 写了怎么处理不确定片段中未检出0.05
  • 给出了实测数字片段中未检出0.05
  • 是能跑起来的工具在材料中检出0.74
  • 学习案例 Top 10 候选信号片段中未检出0.26
  • 是模型本身的复刻片段中未检出0.17
  • 解决的问题够普遍(0–2)按 0–2 打分0.47 / 2
  • 与 Jev 相关在材料中检出0.94
信号
Jev 是项目的核心0.82展示了 System One 用法0.45写了怎么处理不确定0.05给出了实测数字0.05是能跑起来的工具0.74学习案例 Top 10 候选信号0.26是模型本身的复刻0.1700.51解决的问题够普遍(0–2)0.47 / 2012

无判定区(0.40–0.60)

设计模式
漏斗0.95取景框0.64记分卡0.50代笔0.31恒温器0.31信号灯0.2600.51

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17日 读 README 写成。