用 Jev 分类模型逐步选择合法 token 编写 C++
作者用 TypeSafe 的 Jev 决策/分类模型做实验：每步只提供语法合法的候选 token，让模型选择，从而生成 C++ 代码。
LFM3-VL-2B 在 JevBench 的首次跑分记录
John Wong 分享 LFM3-VL-2B 使用冻结主体加 200 步 LoRA 后的 JevBench 成绩：dev 0.657 / test 0.452，并指出与闭源 0.996 不可比，当前落后同量级开源最好水平约 10 个点，离 Jev 本体差 25 到 30 个点，后续将继续优化。
第一次跑分，先记个数。 LFM3-VL-2B 冻结主体 + 200 步 LoRA，JevBench 路线 0.657 dev / 0.452 test，原始准确率，跟闭源那 0.996 不是一把尺子。 同量级开源最好 0.753，我们差 10 个点，落在 2B 中下段；离 Jev 本体差一档，25 到 30 个点。 后面接着优化，数会动。
· 0 次赞在 X 打开
更多类似内容
Jev 用于代码审查
作者认为代码审查是 Jev 的一个很好的应用场景。
基于 Jev 的 PR 分诊工具 Fascin
开发者分享用 Jev 构建的 PR 分诊工具 Fascin，可判断 PR 紧急程度、变更类型和合并就绪度，并指出 Jev 负责实际推理。
