SemIf - Direct Choice Probability Extraction from Open Models
这是 Theo Lee 公开的项目资料。本站按原始来源展示项目信息，用中文说明适用场景和阅读边界；项目名、源帖与代码保持原样，便于逐项核对。
这条案例记录了什么
场景
工具选择、Agent 评估
选择工具标识；参数校验、权限和执行仍由程序负责。
证据
社区公开项目或作者演示
原始来源：Theo Lee via GitHub。尚未独立核实。
时间与作者
Theo Lee
记录日期：2026-09-16。日期与身份应以原始资料为准。
怎样核对这个项目
- 先打开原始来源，确认作者、日期与 Jev 在项目中的具体用途。
- 如果提供仓库，再检查代码、运行要求和许可证；仓库存在不代表本站已经运行成功。
- 对速度、成本、准确率和规模数字，查看原文的任务、环境和计算口径。
- 工具列表和版本。
- 参数与权限检查。
- 不执行或人工复核分支。
- 是否有可观察的正确答案。
原始文字与技术细节
以下内容保留原语言，供核对事实。中文页的场景说明是阅读提示，不是逐句翻译或实测结论。
展开英文项目摘要与原帖
项目摘要
SemIf (formerly OpenJev) by Theo Lee is an independent open-source research initiative exploring how open language models can replicate System One behavior. By extracting output logit probabilities directly over constrained choice sets, SemIf eliminates auto-regressive generation overhead, offering an open-weights counterpart to discrete decision models.
来源原文
Independent research reading choice probabilities directly from open models (formerly OpenJev). Includes a browser demo and open model logit extraction.
原记录的限制
- Independent open-source research; not an official TypeSafe API endpoint.
- Requires GPU hardware to host and run open weights locally.