Python 25行でJev

JevをPython 25行で実装

［画像: My name is Jev］

誰も彼もがJevについて話しています。Jevだ、Jevだ、と。Twitterの誰もがJevに夢中ですが、それは大規模言語モデルとAIパラダイムの次のフロンティアだとされています。私たちはそうは思いません。そこで、Python 25行でJevを紹介します。

モデルをロードします。

# /// script
# requires-python = ">=3.12"
# dependencies = ["huggingface-hub", "llama-cpp-python", "numpy"]
# ///

import numpy
from llama_cpp import Llama

# 本当に、https://huggingface.co/models?library=gguf からGGUFモデルならどれでも使えます

model = 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,
)

プロンプトをロードし、選択肢を定義します。

labels = ["A", "B", "C"]
choices = ["Legitimate", "Spam", "Phishing"]
email = "Payroll asks for your password on a non-company sign-in page."
options = "\n".join(
    f"{label}. {choice}" for label, choice in zip(labels, choices, strict=True)
)
prompt = f"""<|im_start|>system
Choose one option.<|im_end|>
<|im_start|>user
Email: {email}\n\n{options}<|im_end|>
<|im_start|>assistant
<think>\n\n</think>\n\n"""
model.eval(tokens=model.tokenize(text=prompt.encode(), add_bos=False, special=True))

ロジットを確率に変換します。

logits = model.scores[model.n_tokens - 1]
token_ids = [model.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.logaddexp.reduce(choice_logits)
probabilities = numpy.exp(logprobs)

for name, scores in (
    ("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)))

# Logits: {'Legitimate': 26.254, 'Spam': 27.262, 'Phishing': 29.614}
# Log probabilities: {'Legitimate': -3.482, 'Spam': -2.474, 'Phishing': -0.122}
# Probabilities: {'Legitimate': 0.031, 'Spam': 0.084, 'Phishing': 0.885}

これで、Jevの完成です。

しかし、あなたはJevを理解していない！

ええ、分かっています。

• 私たちはそれをSystem One decision modelとは呼びません。
• APIを呼びませんでした。
• 合成データセットを大量に作成しませんでした。
• 決定と確率を調整するためにReinforcement Learning for Calibrated Decisions (RLCD)でモデルをトレーニングしませんでした（たとえそれらが常に正しいわけではないとしても）。

しかし、はい。これがJevです。

• 分類します：選択肢を含むプロンプトを受け取り、確率を出力します。
• 高速です。
• ローカルで動作します。
• データをどこにも送信しません。

そして、私たちはあなたのデータをどこにも送信しないことを好みます。 NobodyWhoをチェックしてください。

（注：これはパロディのブログ記事です。Jevのより良い/より完全なオープン実装については、これらのリンクを参照してください：OpenJev、openjev-sglang、およびOpenJev on DiffusionGemma）。*

---

NobodyWhoが行うすべてのことはオープンソースです。私たちをサポートするためにGitHubでスターを付けてください❤️