README 自动摘要
根据 README 自动整理于 2026年9月25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
一个基准测试框架，将 TypeSafe 的 Jev 1.13 和四个快速 LLM 加入 Stanford MedHELM 的 MedHallu 结果，测试一个答案是否歪曲了其 PubMed 摘要。面向比较幻觉检查的研究者。
它怎么用 Jev
Jev 回答一个 Noul 问题：'知识中描述的研究作者是否会认为答案歪曲了他们的发现？'，基于摘要、问题和答案。其概率以 0.65 为阈值判定幻觉；结果用于评分准确率，并将高置信度条目路由给 LLM。
用到的原语:noul
值得抄的做法
预注册每个测试和后续检查，然后让 Jev 处理高置信度条目以减少 LLM 调用。
怎么试
cd bench && uv run datasets/medhallu/prepare.py; uv run score.py runs/medhallu/test-v2 --threshold 0.65 --ref jev-1.13 --xlsx
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0.75
- 展示了 System One 用法在材料中检出0.80
- 写了怎么处理不确定在材料中检出0.66
- 给出了实测数字在材料中检出0.98
- 是能跑起来的工具片段中未检出0.07
- 学习案例 Top 10 候选信号未判定0.49
- 是模型本身的复刻片段中未检出0.03
- 解决的问题够普遍（0–2）按 0–2 打分1.39 / 2
- 与 Jev 相关在材料中检出0.99
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25日 读 README 写成。