# SelfJev SelfJev es un modelo de decisiones 4B autoalojado que convierte texto, imágenes y preguntas en respuestas tipadas con probabilidades para flujos estructurados de clasificación, enrutamiento, revisión y políticas. - Findings24: - Sitio web: - Precios: Freemium - Categorías: Infraestructura para agentes de IA, Plataformas de inferencia de IA, Reconocimiento de Imágenes IA ## ¿Qué es SelfJev? SelfJev es un modelo de decisiones 4B autoalojado para aplicaciones que necesitan opciones estructuradas en lugar de prosa generada. Acepta texto, imágenes o ambos junto con un conjunto de preguntas, y devuelve respuestas tipadas y probabilidades. Los formatos de respuesta compatibles incluyen sí/no, elegir una opción, puntuar un resultado y seleccionar todas las opciones aplicables. Su motor de inferencia con prefijo compartido lee una vez la entrada común y reutiliza ese trabajo en varias preguntas. Esto lo hace adecuado para extraer varias decisiones de un mensaje de soporte, documento, respuesta de AI o imagen. El modelo se ejecuta como un servicio HTTP en una infraestructura controlada por el usuario, con un cliente de Python disponible para la integración con aplicaciones. La versión predeterminada admite visión y texto mediante el motor nativo de SelfJev. SelfJev también proporciona herramientas de ajuste fino, pesos de modelo públicos, conjuntos de datos de evaluación, herramientas de puntuación e informes de experimentos registrados. Las puntuaciones publicadas se limitan a las suites de prueba del proyecto y deben considerarse evidencia para la evaluación, no una garantía de rendimiento con datos nuevos. ## ¿Qué puede hacer SelfJev? ### Resultados de decisiones tipados Devuelve respuestas estructuradas para preguntas de sí/no, selección de una opción, puntuaciones y preguntas de selección múltiple, junto con probabilidades que puede utilizar el código de la aplicación. ### Inferencia con prefijo compartido Lee una entrada de texto o imagen compartida una sola vez y deriva varias preguntas de ese trabajo, lo que permite solicitudes con múltiples preguntas sin procesar por separado el mismo contexto para cada una. ### Entrada de visión y texto La versión predeterminada SelfJev-4B acepta imágenes y texto mediante el motor de árbol nativo. Las imágenes pueden proporcionarse como rutas, bytes, imágenes de PIL o URL de datos base64 a través de HTTP. ### Servicio HTTP autoalojado Se ejecuta en una máquina Linux controlada por el usuario con una GPU NVIDIA y expone una API para aplicaciones. La configuración documentada incluye comprobaciones de estado, configuración de claves API y un cliente ligero que no requiere GPU. ### Ajuste fino para decisiones de dominio Las herramientas de ajuste fino supervisado permiten entrenar adaptadores ligeros con ejemplos verificados del propio flujo de trabajo, incluidas filas de entrenamiento basadas en imágenes, antes de evaluar y servir el resultado. ### Registro de evaluación abierto El proyecto publica versiones del modelo, datos de Decision Bench, herramientas de puntuación, metodología y experimentos registrados para que los usuarios puedan inspeccionar cómo se produjeron los resultados comunicados. ## Casos de uso ### Enrutamiento de tickets de soporte Pregunte si un cliente necesita un reembolso, qué equipo debe gestionar la solicitud y qué temas se aplican; después, pase los campos resultantes a la automatización del enrutamiento o del flujo de trabajo. ### Revisión de respuestas de AI Evalúe una respuesta generada por AI en cuanto a calidad, precisión, evidencia de respaldo, seguridad o intentos de eludir instrucciones antes de que llegue a un usuario o sistema posterior. ### Comprobaciones de políticas y barreras de seguridad Convierta una política en preguntas explícitas y utilice las opciones y probabilidades devueltas para filtrar solicitudes, aplicar controles o señalar casos para revisión humana. ### Clasificación basada en imágenes Haga varias preguntas sobre una foto, como su categoría o estado, utilizando la misma imagen como contexto compartido. El sitio documenta ejemplos relacionados con mascotas, ropa, plantas, arroz, uso del suelo por satélite y residuos. ### Modelos de decisiones específicos del flujo de trabajo Ajuste fino de un adaptador con ejemplos verificados que contengan las etiquetas, políticas, vocabulario o casos límite de un equipo; después, compare los resultados con ejemplos reservados antes del despliegue. ## Preguntas frecuentes ### ¿Qué devuelve SelfJev? Devuelve respuestas tipadas y probabilidades. Los tipos de respuesta documentados son sí/no, elegir una opción, puntuar un resultado y seleccionar todas las opciones aplicables; no genera una respuesta de texto conversacional. ### ¿Qué hardware se necesita para ejecutar SelfJev? La guía de inicio rápido requiere una máquina Linux con una GPU NVIDIA y recomienda comenzar con 24 GB de VRAM, 4 vCPU, entre 16 y 32 GB de RAM del sistema y 50 GB de espacio libre en disco. Estas cifras son recomendaciones de planificación, no un mínimo probado. ### ¿Puede SelfJev procesar imágenes? Sí. La versión predeterminada de visión y texto acepta imágenes mediante el motor nativo. El cliente de Python acepta una ruta, bytes de imagen o una imagen de PIL; las solicitudes HTTP pueden utilizar una URL de datos base64 o partes de texto e imagen. ### ¿Cómo llama una aplicación al modelo? SelfJev se ejecuta como servidor HTTP y las aplicaciones pueden utilizar el cliente ligero de Python. La guía de inicio rápido también documenta cómo dirigir una instalación existente del SDK de Python TypeSafe al servidor de SelfJev cambiando su URL base y la configuración de la clave API. ### ¿Se puede adaptar el modelo a un flujo de trabajo personalizado? Sí. El sitio documenta el ajuste fino supervisado con ejemplos verificados de un flujo de trabajo, incluidas filas de entrenamiento con imágenes. Se recomienda evaluar el modelo con ejemplos reservados antes de servir el modelo adaptado. ## Datos rápidos - **Tipo de producto**: Modelo de decisiones 4B autoalojado - **Interfaz principal**: API HTTP con cliente de Python - **Entradas**: Texto, imágenes o texto e imágenes - **Salidas**: Respuestas tipadas con probabilidades; sin texto generado - **Entorno de ejecución predeterminado**: Motor de árbol nativo en una GPU NVIDIA - **Evaluación publicada**: 96,1 % de coincidencia con la respuesta esperada en la prueba de decisiones de texto del proyecto, con 1.991 preguntas, para el modelo predeterminado de visión y texto