Comparación de modelos de decisión · Fuentes consultadas el 27 de septiembre de 2026
Jev vs AnyJev
Ambos devuelven decisiones estructuradas y probabilidades. Jev es un modelo alojado listo para usar; AnyJev es una herramienta de código abierto que convierte un LLM abierto gestionado por ti en un sistema de decisiones.
Modelo alojado · TypeSafe
Jev
Envía un estado y preguntas tipadas a una API para obtener respuestas y probabilidades. No necesitas alojar un modelo ni ajustar una cabeza para cada pregunta.
Herramienta abierta · Nokia Applied Research
AnyJev
Usa un LLM abierto para decisiones de opción, sí/no y puntuación. L0 comienza sin etiquetas; después puedes ajustar la calibración o una cabeza específica para cada pregunta.
De un vistazo
Las diferencias prácticas
Responden a tipos de preguntas parecidos, pero difieren en quién opera el modelo y el trabajo necesario para confiar en sus probabilidades.
| Aspecto | Jev | AnyJev |
|---|---|---|
| Entrega | API de producción alojada | Herramienta Python sobre tu propio LLM abierto; admite transformers y vLLM |
| Salidas | Choice, Noul (sí/no) y Score; varias preguntas en una solicitud | Decisiones de opción, sí/no y puntuación con distribuciones de probabilidad |
| Inicio | API usable sin etiquetas específicas de la tarea | L0 funciona sin etiquetas; corrige sesgos de posición y de frecuencia previa de las opciones |
| Confianza | Probabilidades calibradas para decisiones posteriores | L0 no está calibrado; L1 ajusta la temperatura y L2 ajusta una cabeza de lectura |
| Etiquetas | No requiere ajustar una cabeza por pregunta | L1: unas 100–500 etiquetas; L2: unas 100–300 por pregunta y modelo |
| Operación | Integración por API; la infraestructura del modelo está alojada | Operas el modelo base y el servicio; L2 necesita estados ocultos |
| Disponibilidad | Servicio comercial alojado | Código del proyecto Apache-2.0; siguen aplicándose las licencias de los modelos base |
Método de AnyJev
Qué añade cada nivel
AnyJev puede empezar sin datos de entrenamiento, pero cada nivel ofrece distintas garantías sobre sus probabilidades.
L0
Sin etiquetasPromedia órdenes de opciones y corrige frecuencias previas de etiquetas. Mejora los logits sin procesar, pero no calibra la incertidumbre.
L1
100–500 etiquetasAñade a L0 una calibración de temperatura específica de la pregunta. No cambia la clasificación de respuestas.
L2
100–300 etiquetasAjusta una cabeza de solución cerrada sobre un estado oculto intermedio sin cambiar los pesos del modelo base. La cabeza pertenece a una pregunta y un modelo.
El README también describe un modo de logits sin procesar. La lectura actual basada en letras admite hasta 26 opciones; la lectura por spans sigue en la hoja de ruta.
Resultados publicados
Lee las cifras en su contexto
AnyJev informa de una mayor coincidencia con las etiquetas de un LLM profesor tras ajustar una cabeza L2 en Qwen3-8B. Es evidencia sobre el método, no una medición directa de Jev frente a AnyJev en producción.
El repositorio cita un resultado de Jev publicado por sus autores con el mismo conjunto de datos, pero indica que no volvió a ejecutar Jev. JevBench, mostrado en otras páginas de este sitio, usa otra prueba. No deben mezclarse en una única puntuación comparativa.
Según AnyJev · Qwen3-8B
64.7%
Precisión de L0
77.1%
Precisión de L2
LocalLLaMA/typed-decisions: 20 preguntas, 300 etiquetas por pregunta y 2.000 decisiones reservadas para evaluación. «Precisión» significa coincidencia con un LLM profesor, no con una verdad independiente.
Cómo elegir
¿Cuál encaja con tu flujo?
Jev para una API gestionada
Úsalo si necesitas ya decisiones tipadas y probabilidades, quieres hacer varias preguntas en una llamada y prefieres no servir un LLM ni reunir etiquetas por pregunta.
Explorar el modelo JevAnyJev para controlar el modelo
Úsalo si puedes alojar un LLM abierto, quieres controlar el modelo base y su despliegue, y puedes validar o ajustar probabilidades para tus propias preguntas.
Leer los niveles de AnyJevPreguntas frecuentes sobre Jev y AnyJev
¿AnyJev y Jev son el mismo proyecto?+
No. AnyJev es un proyecto de investigación abierto e independiente de Nokia Applied Research. No está afiliado a TypeSafe ni a este sitio.
¿Puede usarse AnyJev sin etiquetas?+
Sí. L0 no necesita etiquetas, pero sus probabilidades no están calibradas. L1 y L2 requieren ejemplos etiquetados para cada pregunta, con los que calibran o ajustan una cabeza.
¿Es AnyJev más preciso que Jev?+
Las fuentes citadas no incluyen una comparación de producción independiente y repetida bajo las mismas condiciones. AnyJev publica resultados de modelos Qwen y cita un valor de Jev comunicado por sus autores. Prueba ambos con tus decisiones antes de elegir por precisión.
Fuentes consultadas el 27 de septiembre de 2026. AnyJev y TypeSafe pertenecen a sus respectivos propietarios. Las cifras pueden cambiar según el modelo, los datos y el entorno de servicio.
