تصور کنید تمام آن پیچیدگی‌هایی که دربارهٔ مدل Jev شنیده‌اید، در نهایت به ۲۵ خط کد ساده ختم شود. این ادعای جسورانه هستهٔ مرکزی یک نمایش فنی است که در ۲۲ سپتامبر ۲۰۲۶ توسط NobodyWho منتشر شد.
در حالی که فضای شبکه‌های اجتماعی Jev را به عنوان مرزی جدید برای مدل‌های زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — معرفی می‌کنند، یک اسکریپت ساده پایتون می‌تواند منطق اصلی آن را بازسازی کند. همان‌طور که در تحلیل قبلی ما درباره‌ی تبدیل استدلال به تصمیمات ساختاریافته در Jev اشاره کردیم، این سیستم در واقع یک طبقه‌بندی‌کننده است.
طبق گزارش NobodyWho، این پیاده‌سازی محلی از اجزای زیر استفاده می‌کند:
- مدل: مدل Qwen3-0.6B-GGUF که از طریق llama-cpp-python بارگذاری شده است.
- سازوکار: استخراج لاجیت‌ها (Logits) از آخرین توکن برای محاسبهٔ احتمال برچسب‌های پیش‌فرض (مانند «معتبر»، «هرزنامه» یا «فیشینگ»).
- زیرساخت: محیط محلی با پایتون ۳.۱۲ و کتابخانه NumPy.
بر اساس مستندات این آموزش، این روش نیاز به یادگیری تقویتی برای تصمیمات کالیبره شده (RLCD) را دور می‌زند. توسعه‌دهنده با تبدیل محلی لاجیت‌ها به احتمال، دیگر نیازی ندارد داده‌های حساس خود را به سرورهای خارجی ارسال کند.
برای یک برنامه‌نویس، این یعنی قابلیت تصمیم‌گیری «سیستم یک» در Jev، یک راز تجاری نیست، بلکه کاربردی استاندارد از پردازش خروجی مدل‌های زبانی است. در واقع ارزش واقعی از خودِ الگوریتم به سمت بهینه‌سازی اجرای محلی تغییر می‌کند.
گام بعدی شما
- بررسی پیاده‌سازی‌های متن‌باز مانند OpenJev یا openjev-sglang برای درک عمیق‌تر.
- تست استخراج لاجیت‌ها روی مدل‌های کوچک‌تر برای کاهش هزینه استنتاج.
- جایگزینی APIهای تصمیم‌گیری ابری با مدل‌های محلی برای افزایش حریم خصوصی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو