Jev en 25 lignes de Python : démystification
Original : Jev in 25 Lines of Python
Pourquoi c'est important
Montre que des techniques présentées comme novatrices reposent parfois sur des primitives déjà accessibles à tous.
NobodyWho publie un billet parodique qui reproduit le concept Jev — classification de texte par logits — en 25 lignes de Python, sans API externe, sans fine-tuning, en utilisant le modèle Qwen3-0.6B-Q8_0 via llama-cpp-python.
Le billet, signé Duarte O.Carmo sur nobodywho.ai, se présente comme une démystification ironique de Jev, un concept qui fait beaucoup parler dans la communauté LLM. L'auteur montre qu'extraire des probabilités depuis les logits d'un modèle local est trivial : charger Qwen3-0.6B au format GGUF, tokeniser un prompt de classification, puis appliquer une normalisation log-softmax sur les logits des tokens cibles. Résultat sur l'exemple "phishing" : probabilité de 88,5 % pour la classe Phishing, 8,4 % pour Spam, 3,1 % pour Legitimate. Pas d'API, pas de données synthétiques, pas de Reinforcement Learning for Calibrated Decisions (RLCD). Le code fonctionne entièrement en local. Le post précise qu'il s'agit d'une parodie et renvoie vers des implémentations plus complètes : OpenJev, openjev-sglang et OpenJev on DiffusionGemma.