25 行 Python 中的 Jev

25 行 Python 中的 Jev 每个人和他们的妈妈都在谈论 Jev。杰夫这个，杰夫那个。 Twitter 上的每个人都在关注 Jev，它是大型语言模型和人工智能范式的下一个前沿。我们真的不这么认为。这是用 25 行 Python 编写的 Jev。加载模型。从 llama_cpp 导入 numpy 导入 Llama 模型 = Llama 。 from_pretrained ( repo_id = "Qwen/Qwen3-0.6B-GGUF" , filename = "Qwen3-0.6B-Q8_0.gguf" , n_ctx = 512 , logits_all = True , verbose = False , ) 加载提示并定义您的选择。 labels = [ "A" , "B" , "C" ] Choices = [ "Legitimate" , "Spam" , "Phishing" ] email = "Payroll 在非公司登录页面上要求您提供密码。"选项=“\n”。 join ( f" { label } . { choice } " for label , choice in zip ( labels , Choices , strict = True ) ) Prompt = f"""<|im_start|>system 选择一个选项。<|im_end|> <|im_start|>用户电子邮件：{ email } \n\n { options } <|im_end|> <|im_start|>助理\n\n\n\n""" 模型。 eval ( tokens = model . tokenize ( text =prompt .encode() , add_bos = False ,special = True ) ) 将 logits 转化为概率。对数=模型。分数 [ 模型 . n_tokens - 1] token_ids = [ 模型 . tokenize(text = label.encode(), add_bos = False) [0] for label in labels] choice_logits = numpy. asarray ([ logits [ token_id ] for token_id in token_ids ] ) logprobs = choice_logits - numpy 。日志添加表达式。减少 ( choice_logits ) 概率 = numpy 。 exp ( logprobs ) 表示名称，分数为 ( ( "Logits" , choice_logits ) , ( "Log probabilities" , logprobs ) , ( "Probabilities" , probabilities ) , ) ：values = numpy 。 round(scores.astype(float), 3)。 tolist() print(f"{name}:",dict(zip(choices,values,strict=True))) 那里。那是杰夫。但不，你不了解杰夫！是的，我们知道。但是是的。这是杰夫。它进行分类：它得到一个带有选择和输出概率的提示。速度很快。这是本地的。您不会将数据发送到其他地方。我们不希望将您的数据发送到其他地方。看看NobodyWho。 （注意：这是一篇戏仿博客文章，请参阅以下链接以获得更好/更完整的 Jev 开放实现： OpenJev 、 openjev-sglang 和 DiffusionGemma 上的 OpenJev 。）NobodyWho 所做的一切都是开源的，请在 Github 上留下一个星号以支持我们❤️ 由 Duarte O.Carmo Technical 于 2026 年 9 月 22 日发布