Jev AI模型发布与多维度评估
Get the story
2026年9月29日，Sebastian Raschka梳理文本分类模型演进并分析Jev，介绍其API设计及在IMDb上Choice 96.47%、Noul 96.20%的表现。10月1日arXiv研究指出JEV~1.13与三个开源KEV模型在序数分类中存在决策尺度利用率不足，ANLI上38.8%预测与51.3%错误被归入中性，36个序数数据集最终决策仅使用67–76%有效金标准支持度，K=14时降至26–75%，BA-LoRA微调可将金标准相对利用率从约47%提升至86%。10月2日arXiv研究评估Jev在CESNET-QUICEXT-25网络应用分类，仅用前10个数据包的大小、方向和间隔时间，40条固定标注样本将准确率从9.80%提升至28.42%，但Random Forest和Extra Trees在8,000条记录上分别达69.95%和66.80%，每周均优于Jev。
Generated from reports · updated 4 hr ago
Developments
- Oct 2 · 1 reportsJev网络流量分类评估：准确率、耗时与成本arXiv · Machine Learning Theory: Jev 在网络流量分类中的准确性、处理时间与成本初探
- Oct 1 · 1 reportsDirect-decision models exhibit ordinal scale-utilization biaarXiv · Artificial Intelligence: JEV 与 KEV 直接决策模型的序数尺度偏差分析
- Sep 29 · 1 reportsJev AI模型发布并引发技术社区关注Sebastian Raschka: 从 Bag-of-Words 到 Jev：文本分类模型历史与 Jev 现象分析
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning TheoryJev 在网络流量分类中的准确性、处理时间与成本初探
研究评估 Jev 在 CESNET-QUICEXT-25 数据集上的网络应用分类表现，仅用前 10 个数据包的大小、方向和间隔时间。40 条固定标注样本将 Jev 准确率从 9.80% 提升至 28.42%，但 Random Forest 和 Extra Trees 在 8,000 条记录上分别达到 69.95% 和 66.80%，每周均优于 Jev。
- arXiv · Artificial IntelligenceJEV 与 KEV 直接决策模型的序数尺度偏差分析
JEV~1.13 和三个开源 KEV 模型在序数分类任务中表现出决策尺度利用率不足，ANLI 上 38.8% 预测与 51.3% 错误被归入 Neutral。36 个序数数据集上最终决策仅使用 67–76% 的有效金标准支持度，而名义任务达 87–102%；K=14 时利用率降至 26–75%。BA-LoRA 微调可将金标准相对利用率从约 47% 提升至 86%，代码与数据已公开。
- Sebastian Raschka从 Bag-of-Words 到 Jev：文本分类模型历史与 Jev 现象分析
Sebastian Raschka 梳理了从朴素贝叶斯、RNN、CNN 到 BERT/GPT 的文本分类演进，并分析新模型 Jev 的 API 设计、IMDb 上的表现（Choice 96.47%/Noul 96.20%）及其与 ModernBERT、OpenAI Decision API 的关系。
Heat trend
Current heat 13·Comparable peak 15（Oct 2）·Comparable change over 24 hours +396%
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.