Шестнадцать открытых альтернатив Jev: что они решают и где пригодятся

TL;DR

Jev принимает состояние и набор вопросов, а возвращает короткие типизированные решения: выбор из вариантов, оценку или число. Для моего роутера субагентов Codex такое решение отвечает на вопрос, какую модель и уровень рассуждения дать следующему агенту. Среди открытых проектов ниже есть готовые локальные серверы, библиотеки для экспериментов и модель, обученная на игровых кадрах. Названия похожи, возможности заметно различаются.

Laya

Laya делает несколько типизированных решений за один проход. У проекта есть Python-библиотека и локальный сервер с совместимым с Jev HTTP-интерфейсом. Разработчик предлагает англоязычный и многоязычный чекпойнты; последний интересен, когда краткое описание задачи для роутера написано по-русски. Поддерживается пакетная обработка. Для выбора модели Codex все равно стоит отдельно проверить точность и калибровку на собственных поручениях.

Kev

Kev предлагает семейство открытых моделей разного размера и локальный endpoint /v1/systemone. В README отправной точкой назван вариант 4B; крупные варианты предъявляют заметно более высокие требования к памяти. Это прямой кандидат на замену удаленного движка решений, если есть ресурсы для локального запуска. Опубликованные автором измерения относятся к его тестам и не показывают качество маршрутизации субагентов Codex.

GLiNER2.5-Decide

GLiNER2.5-Decide классифицирует текст по меткам, заданным при вызове. Англоязычный чекпойнт имеет 340 млн параметров; есть версия 1B и многоязычная версия на 287 млн. Через GLiNER2 и AutoExtractor.classify_text() можно получить несколько решений за один проход без генерации текста. Для Codex нужен адаптер: это не интерфейс Jev System One.

JevK5

JevK5 — отдельный от Kev проект на основе Qwen3.5-4B. Он считывает вероятности вариантов из логитов по протоколу SemIf, а локальный сервер предоставляет /v1/systemone. Скорость и точность на поручениях Codex нужно измерить отдельно.

GLiFormer large-v1

GLiFormer large-v1 — модель на базе DeBERTa с 575,6 млн параметров. Она классифицирует текст по переданным меткам и также извлекает сущности, связи и структурированные данные. Для текстового роутинга применима ее классификация; Python API потребует адаптера к Jev.

PlayJev

PlayJev обучен выбирать действие в браузерной игре по кадру и списку допустимых ходов. Он тоже отдает вероятности выбора через /v1/systemone, но вход здесь визуальный и игровой. Для текстового вопроса «какому субагенту поручить поиск по файлам» нужен другой движок или новое обучение. Проект интересен как пример того, что типизированное решение может опираться на изображение, а не только на текст.

SemIf

SemIf, ранее OpenJev, воспроизводит формат решений с помощью открытых языковых моделей. Он считывает оценки вариантов из логитов и запускается через PyTorch, MLX или llama.cpp в зависимости от среды. CLI принимает JSONL; для вызова из Codex нужен адаптер. Это способ проверить локальную маршрутизацию без отдельного специализированного чекпойнта, хотя запуск модели на каждый запрос может съесть выигрыш во времени.

NanoJev

NanoJev использует небольшую основу Qwen и головы для выбора, логического ответа и оценки. В репозитории есть веса, данные и обучение, а локальный сервер принимает запросы на /api/evaluate. Опубликованная модель обучалась преимущественно на игровых задачах. Если применить ее к описаниям задач Codex, качество переноса придется измерить отдельно; наличие знакомого API этого не гарантирует.

jevlike

jevlike ближе к исследовательскому конструктору: можно обучить компактный байтовый энкодер или использовать замороженный энкодер Hugging Face и оценивать произвольные текстовые варианты. Есть CLI для обучения и предсказания. Готового доказательства, что модель правильно различит «точный поиск» и «сложную диагностику» в Codex, нет. Зато здесь можно собрать собственный датасет поручений и проверить именно такую классификацию.

simple-jev

simple-jev получает типизированный ответ из логитов совместимой открытой языковой модели вместо генерации JSON. Сервер предоставляет /v1/classifier и псевдоним /v1/systemone; для запуска используются Transformers и PyTorch. Результат зависит от выбранной модели и формулировки вариантов, а ее оценки нельзя автоматически считать откалиброванными вероятностями успеха. Удобный путь для пробы уже имеющейся локальной модели.

AnyJev

AnyJev предлагает три уровня настройки существующей языковой модели: исправление позиционного смещения без размеченных данных, температурную калибровку и обучаемую закрытым способом голову по скрытым состояниям. Для последних уровней нужны примеры своих задач; голова требует доступа к внутренним состояниям модели. Это полезно, если решение о профиле субагента нужно подогнать под свой поток поручений. Самый простой режим может потребовать несколько проходов модели, поэтому скорость нужно измерять.

mini-jev

mini-jev сравнивает оценку вариантов по логитам замороженной Qwen с генерацией JSON по грамматике. Репозиторий скорее учебный стенд и бенчмарк, чем готовый движок для рабочего роутера. Его оценки вариантов дают порядок предпочтения, но не гарантируют калиброванные вероятности. Он помогает понять, где вообще появляется экономия на коротком решении и когда она исчезает, например для простого булева ответа.

open-jev от nico-martin

open-jev от nico-martin запускает типизированные решения в браузере через Transformers.js и WebGPU либо WASM. Есть TypeScript API OpenJev.load().decide() и несколько поддерживаемых моделей, включая варианты Kev. Если задача состоит в локальном выборе прямо в веб-приложении, это интереснее серверного Python-процесса. Для Codex нужен мост через Node; первый запуск также включает загрузку весов.

minojev

minojev сочетает замороженную Qwen3-1.7B с небольшой обучаемой головой решений. Он принимает типизированные вопросы через локальный /score, публикует веса и данные и может работать на CPU. Авторы также показывают ухудшение на задаче вне обучающего распределения. Поэтому перед использованием в роутере Codex я бы собрал отдельную проверку на реальных поручениях, а не переносил опубликованную метрику.

Open-Jev от Zefan-Cai

Open-Jev от Zefan-Cai выпускает обученные варианты 2B, 9B и 27B с головой решений и калибровкой. Локальный сервер поддерживает /v1/systemone; в репозитории есть данные и инструменты обучения. Из трех проектов со схожим названием этот ближе к готовой линейке моделей, но стоимость запуска сильно зависит от выбранного размера. Его результаты бенчмарка также нельзя без проверки переносить на выбор моделей субагентов.

open-jev от daseinlabs

open-jev от daseinlabs оценивает варианты на Gemma 3 4B, повторно используя общий префикс и пакетную обработку. Есть локальные /score и /v1/systemone, реализации для MLX на Mac и PyTorch на других платформах, а также обучение головы под свою задачу. Веса Gemma требуют принятия условий доступа на Hugging Face. Это практичный вариант для эксперимента на Mac, если уже есть локальная модель и хочется проверить скорость полного маршрута.

Сравнение на fast-decisions

На странице GLiNER2.5-Decide Fastino приводит точность полного совпадения на fast-decisions: 17 англоязычных доменов, по 300 отложенных примеров в каждом. Текст и наборы меток одинаковы для всех моделей. Это результаты авторов, а не моя независимая проверка.

Модель	Среднее
GLiNER2.5-Decide (340M)	60.2%
GLiNER2.5-Decide-1B	59.6%
JevK5	57.6%
GLiNER2.5-multi-Decide (287M)	56.7%
SemIf (Qwen3.5-4B)	56.4%
GLiFormer large-v1	49.0%
Laya Router	46.6%

Открытые файлы содержат по 100 примеров для разработки на домен; оценки относятся к отдельному отложенному набору. Эти результаты не показывают точность выбора моделей Codex на моих задачах или русских текстах.

Что выбрать для Codex

Если нужен локальный endpoint с привычным форматом, я бы начал с Laya, Kev, JevK5, simple-jev или одного из серверных Open-Jev. Для собственного обучения интереснее NanoJev, jevlike, AnyJev и minojev. SemIf и mini-jev помогают разобраться, сколько дает сам способ получения короткого ответа. PlayJev решает другую, визуальную задачу. GLiNER2.5-Decide и GLiFormer стоит проверять как классификаторы с собственным адаптером.

Мой Codex Jev Router поддерживает несколько этих движков через адаптеры, но совместимый интерфейс еще не означает одинаковую точность или экономию. Перед заменой движка я проверяю полную стоимость решения вместе со временем запуска, ошибками выбора и ценой последующего субагента. Пока открытых измерений именно на моем потоке задач для сравнения всех шестнадцати проектов нет.