25行のPythonで作るJev

概要

• Jev は話題のAIモデルだが、実態はシンプルな分類器
• たった 25行のPythonコード でJevの仕組みを再現可能
• ローカル実行 でデータを外部に送信しない安心設計
• APIや特別な学習は不要、確率出力も標準機能
• オープンソース実装や参考リンクも多数紹介

Jevとは何か？実際の仕組み

• Jev はTwitterなどで「次世代AI」などと話題になっているが、実は非常にシンプルな 選択肢分類モデル

• 25行程度の Pythonスクリプト で、Jevの基本的な動作を再現可能

• HuggingFace のGGUF形式モデル（例：Qwen/Qwen3-0.6B-GGUF）を利用

• モデルロード、プロンプト生成、選択肢定義、確率計算まで一貫した簡単な流れ

  • モデルのロード（Llama.from_pretrained）
  • ラベル・選択肢・メール内容の定義
  • 選択肢を含むプロンプトの作成
  • モデル実行および logits からの確率算出
  • 選択肢ごとの 確率出力 （例：Phishing 88.5%など）

Jevの特徴と誤解

• APIコール不要、ローカル完結型AI分類
• System One decision model や RLCD （強化学習による確率校正）は未使用
• 合成データ生成や追加学習 も不要
• 単に「プロンプト＋選択肢→確率出力」の 高速ローカル分類器
• データを外部に送信しない ため、プライバシー重視の用途にも最適

Jevの実装例（要点）

• 必要なパッケージ： huggingface-hub, llama-cpp-python, numpy
• モデル・プロンプト・選択肢の準備
• モデルの出力（logits）を softmax 変換し、各選択肢の確率へ
• 出力例：
  • Logits: {'Legitimate': 26.254, 'Spam': 27.262, 'Phishing': 29.614}
  • 確率: {'Legitimate': 3.1%, 'Spam': 8.4%, 'Phishing': 88.5%}

Jevの本質とオープンソース活動

• Jevは 「選択肢付き分類」 という単純な枠組み
• 速い・ローカル・シンプル が強み
• NobodyWho などによるオープンソース実装が多数存在
  • 例： OpenJev, openjev-sglang, OpenJev on DiffusionGemma
• 公式Githubでの スター支援 呼びかけも

まとめ

• Jev は過剰評価されがちだが、実際は「ローカルで選択肢分類するだけ」のシンプルな仕組み
• プライバシー重視・高速処理・オープンソース が魅力
• 詳細や実装例は NobodyWho や各種リポジトリを参照