Trzy zmierzone eksperymenty dotyczące halucynacji w RAG: sprawdzanie cytatów, Jev od TypeSafe i STAIR od IBM. Ponad 850 ocenionych pytań, surowe odpowiedzi zawarte.
仓库包含对TypeSafe AI Jev模型在RAG场景中的多项实测评估（幻觉抑制、重排序、路由、重试决策），提供详细报告与可复现数据，属于实质性测试研究。
JevalsJevals/jevals-dataNiezależne dane benchmarkowe porównujące Jev (model System One) od TypeSafe AI z różnymi LLM pod względem wyniku decyzji, dokładności, kalibracji, kosztu i opóźnienia.
ReallyArtificialReallyArtificial/stuntdoubleProxy Node bez zależności, który przekazuje żądania do TypeSafe Jev, podczas gdy lokalne modele (Kev, Laya) podejmują równoległe decyzje, i generuje raport na temat możliwości zamiany.
NearCaiNearCai/JevLightOparty na CityFlow framework sterowania sygnalizacją świetlną, który ocenia kontrolery LLM zgodne z TypeSafe Jev i OpenAI wraz z liniami bazowymi opartymi na regułach i uczeniu przez wzmacnianie w tym samym potoku symulacji.
