README 自动摘要
根据 README 自动整理于 2026年10月10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
一个基准与分析仓库，使用 240 个手工标注的 agent 工具调用（分为清晰、模糊、对抗切片），衡量 TypeSafe AI 的 Jev 置信度分数是否校准。
它怎么用 Jev
Jev 将每个工具调用分类为 readonly、destructive、privileged 或 exfiltration，返回类型化决策、置信度分数和概率映射。仓库将置信度字段与人工标签对比评分，计算 ECE、可靠性曲线和选择性准确率，并按模型报告结果。
用到的原语:choice
值得抄的做法
在计算 ECE 前，将置信度恰好为 1.000 的行单独拆分，因为饱和会使该指标失真。
怎么试
使用 TypeSafe API 密钥运行 bench.py，然后运行 calibrate.py 和 plot.py；已提交的结果无需密钥。
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0.91
- 展示了 System One 用法未判定0.45
- 写了怎么处理不确定在材料中检出0.79
- 给出了实测数字片段中未检出0.23
- 是能跑起来的工具片段中未检出0.07
- 学习案例 Top 10 候选信号片段中未检出0.28
- 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1.26 / 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10月10日 读 README 写成。