# 25行のPythonで作るJev

僕の名前はJev

猫も杓子もJevの話をしている。Jevがどうした、Jevがこうした。Twitterでは誰もがJevに夢中で、大規模言語モデルの次なるフロンティアだとか、AIの新しいパラダイムだとか言っている。正直、僕たちはそうは思わない。というわけで、25行のPythonで書いたJevをどうぞ。

モデルを読み込む。

# /// script
# requires-python = ">=3.12"
# dependencies = ["huggingface-hub", "llama-cpp-python", "numpy"]
# ///

import numpy
from llama_cpp import Llama

# 実際のところ、https://huggingface.co/models?library=gguf にあるGGUFモデルならどれでも使える

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,
)

プロンプトを読み込み、選択肢を定義する。

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))

ロジットをいい感じに確率へ変換する。

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)))

# Logits: {'Legitimate': 26.254, 'Spam': 27.262, 'Phishing': 29.614}
# Log probabilities: {'Legitimate': -3.482, 'Spam': -2.474, 'Phishing': -0.122}
# Probabilities: {'Legitimate': 0.031, 'Spam': 0.084, 'Phishing': 0.885}

はい。これがJevです。

いや、君はJevを分かってない!

うん、知ってる。

• 僕たちはこれを「System One意思決定モデル」とは呼んでいない。
• APIも呼び出していない。
• 合成データを大量に作ったりもしていない。
• 判断と確率をキャリブレーションするために、強化学習(Reinforcement Learning for Calibrated Decisions、RLCD)でモデルを訓練したりもしていない(どのみち常に正しいわけじゃないし)。

でも、そう。これがJevなんだ。

• プロンプトと選択肢を受け取って、確率を出力する。つまり分類する。
• 速い。
• ローカルで動く。
• データをどこにも送らない。

そして僕たちは、あなたのデータをどこにも送らないのが好きだ。ぜひNobodyWhoをチェックしてみて。

(注:これはパロディのブログ記事です。より優れた、より完全なJevのオープン実装については、OpenJev、openjev-sglang、DiffusionGemma上のOpenJevを参照してください。)