开源中文教程项目《Jev Cookbook》

大模型多数时候用于“生成”（写文案、改代码），但构建自动化 Agent 时，很多场景只需要在有限候选动作中做选择、打分或判断，而非长篇输出。为此诞生的 System One 决策模型（Jev）专攻这类高频判断需求，但相关资料分散在 arXiv 论文、海外社区和零散仓库中，上手门槛高。Datawhale 因此整理了这套面向中文用户的入门教程。

全书包含 11 章系统讲解 + 18 篇可运行的 Jupyter Notebook，分为五个阶段：

1. 基础原语：讲解 State 状态表示与三种核心问题原语——Choice 候选单选、Score 序数打分、Noul 是非判断；模型只输出选项概率，校验与执行交给业务规则。

2. 实战配方：18 篇 Notebook 覆盖 RAG 引用过滤、动态工具路由、风险拦截等场景，并搭建语音控制的 3D 智能家居演练场。

3. 横向评测与交互案例：统一基准对比 Jev 与 DeepSeek、豆包、GLM、Kimi 等主流模型（准确率、响应延迟、成本）；另含扫雷、贪吃蛇等 12 个游戏案例。

4. 前沿探索：深入 Jev-Mem 长程记忆（数百轮对话压力测试下低开销高准确检索）与 JevHarness Agent 显式架构。

5. 本地实战：基于开源权重模型 Laya 搭建本地推理，体验 0 Token 输出与毫秒级推理，并实践 SFT、LoRA、RLCD-style 微调训练。

晒图笔记大赛