Jev概念被指可25行Python代码复现

人工智能 2026-09-23 07:26 1 阅读来源： Hacker News 精选

Jev概念被指可用25行Python代码复现。示例基于Qwen3-0.6B量化模型，通过提取Logits计算概率分布，实现电子邮件分类等本地化任务，揭示其核心逻辑的极简性。

近期，名为“Jev”的概念在社交媒体上引发关注，被部分观点视为大语言模型（LLM）和人工智能范式的下一个前沿。然而，从技术实现角度来看，Jev 的核心逻辑可以通过极简的 Python 代码复现。以下展示了一个仅用约 25 行 Python 代码实现的本地化分类模型示例。

首先，加载预训练模型。该示例使用 Qwen3-0.6B-GGUF 量化模型：

import numpy
from llama_cpp import Llama

model = Llama.from_pretrained(
    repo_id="Qwen/Qwen3-0.6B-GGUF",
    filename="Qwen3-0.6B-Q8_0.gguf",
    n_ctx=512,
    logits_all=True,
    verbose=False,
)

接着，构建提示词并定义分类选项。此处以电子邮件分类为例，包含“合法”、“垃圾邮件”和“钓鱼邮件”三个标签：

labels = ["A", "B", "C"]
choices = ["Legitimate", "Spam", "Phishing"]
email = "Payroll asks for your password on a non-company sign-in page."
options = "\n".join(
    f"{label}. {choice}" for label, choice in zip(labels, choices, strict=True)
)
prompt = f"""<|im_start|>system
Choose one option.<|im_end|>
<|im_start|>user
Email: {email}\n\n{options}<|im_end|>
<|im_start|>assistant
<think>\n\n</think>\n\n"""
model.eval(tokens=model.tokenize(text=prompt.encode(), add_bos=False, special=True))

最后，通过提取模型输出的 Logits 计算各选项的概率分布：

logits = model.scores[model.n_tokens - 1]
token_ids = [model.tokenize(text=label.encode(), add_bos=False)[0] for label in labels]
choice_logits = numpy.asarray([logits[token_id] for token_id in token_ids])
logprobs = choice_logits - numpy.logaddexp.reduce(choice_logits)
probabilities = numpy.exp(logprobs)

for name, scores in (
    ("Logits", choice_logits),
    ("Log probabilities", logprobs),
    ("Probabilities", probabilities),
):
    values = numpy.round(scores.astype(float), 3).tolist()
    print(f"{name}:", dict(zip(choices, values, strict=True)))