AI 资源库 · 已整理 4 项
查看与decision-model相关的 AI 资讯、工具、Skill、工作流和开源项目。
yzfly/edgejev · 离线可用的本地类型化决策：4 核 CPU 单题 15.6ms。Local & offline Jev / System One inference on CPU — ONNX + INT8, no torch at runtime. 支持 laya / kev / PlayJev
EdgeJev 把 laya、kev、NanoJev、PlayJev 等开源 Jev / System One 复现项目统一为「转换 → 量化 → 部署」的流程：导出 ONNX、做 INT8 量化，并起一个与官方 /v1/systemone 协议兼容的本地服务。它以 ONNX Runtime 在 CPU 上做离线推理，运行时只依赖 onnxruntime、tokenizers、numpy，不需要 torch、API key 或联网，数据不出本机；同时提供 build / serve / eval / bench / info 等 CLI 子命令和训练模块。
huntleeouter514/laya-mlx · Run open-weight typed decisions natively on Apple Silicon with sub-14ms local MLX inference, no PyTorch or cloud APIs.
laya-mlx 是一个面向 Apple Silicon Mac 的本地决策推理软件，用于在设备端运行「类型化决策模型」（.laya 文件），据称单次决策耗时约 7–14 毫秒，无需 PyTorch 等重型依赖，也不依赖云端 API，强调数据不出本地的隐私性。其技术组合包括针对 Apple Silicon 优化的 MLX 运行时、ModernBERT 模型与纯本地计算。README 给出下载即用的入门流程和 Apple Silicon 系统要求。
决策模型是一种专门给 AI 应用做“选择题”的模型：它接收应用状态，返回带概率的选项答案，不写文字也不解释理由。TypeSafe AI 最先推出 Jev 以及请求/响应的 schema，随后 AWS 的 Strands Decider 2B、Upstage 的 Solar Decide、Ollama 0.35 等纷纷照搬同一套接口，OpenRouter、Perplexity 也支持同类 choice、noul（是/否）、score 问题类型。这样一来，开发者只要改一个 base URL，就能在不同厂商甚至本地运行的决策模型之间迁移，而不必重写决策逻辑；不过各家在选项上限、置信度算法和答案质量上仍有差异，切换前需要测试。OpenAI 虽在 DevDay 发布了基于 GPT-6 Luna 的 Decisions API，但仍在有限预览，未公布 schema 和价格，尚未加入这套统一接口。
everettjf/ezjev · Open 4B typed-decision model (Jev-style /v1/systemone): calibrated per-option probabilities from one prefill. Training, data generation and eval pipeline on HF Jobs.
ezjev 是一个基于 Qwen/Qwen3.5-4B 的 Jev 风格带类型决策模型项目，支持 choice / noul / score 三类决策，并为每个选项输出经过校准的概率。项目包含训练、数据生成与评测流水线，可在 Hugging Face Jobs 或 Colab 上运行，并附带 Jev Decision Index 与 JevBench 两个榜单的提交结果与自测数据。代码采用 MIT 许可，但训练数据与模型权重的许可情况需另行确认，部分数据仅限非商业使用。