프로토타입 · 미리 보기: 공식 레지스트리의 모든 서버를 담고 있으며 30분마다 동기화해요. 리뷰와 계정 기능은 다음 단계에서 열려요.
PopNx MCPAI를 쓰는 사람을 위한 MCP 서버 · 쉬운 말로 설명해요
초보자 모드 켜기
색상시스템 설정라이트다크
언어ไทยEnglish中文日本語한국어EspañolDeutsch
☰ 메뉴설정
초보자 모드 켜기
색상시스템 설정라이트다크
언어ไทยEnglish中文日本語한국어EspañolDeutsch

Jev-Style

제작자: lawrence3699버전 0.6.3i★ –i내 컴퓨터에서 실행
레지스트리 이름io.github.lawrence3699/jev-style

설치

개요

제작자가 쓴 설명(영어 원문)

Local 2B and 0.8B decision models: calibrated yes/no, choice and score answers for your agent.

PopNx MCP의 세 기둥

이 세 가지는 절대 하나의 점수로 합치지 않아요. 의견, 측정, 인기는 서로 다른 것이니까요.

할 수 있는 일

이 서버는 아직 쉬운 말로 된 요약을 쓰지 못했어요. 아래는 레지스트리에서 읽어 온 사실이에요.

  • 연결 방식: 내 컴퓨터에서 실행
  • 전송 방식: stdio
  • 카테고리: 기타

설치

쓰고 있는 AI 앱을 고른 다음 설정을 복사하세요.

설치하기 전에

필요한 것

  • PyPIPython의 uv 설치(uvx 명령어용)

어떤 앱을 쓰세요?

위에서 앱을 고르세요. 기억해 두었다가 다음부터는 버튼에 “…에 설치”라고 표시해요.

Claude Desktop → Settings → Developer → Edit Config를 열고 claude_desktop_config.json에 이 내용을 붙여 넣으세요

{
  "mcpServers": {
    "jev-style": {
      "command": "uvx",
      "args": [
        "jev-style",
        "mcp"
      ],
      "env": {
        "JEV_STYLE_URL": "your-value"
      }
    }
  }
}

터미널에서 이 명령어를 실행하세요

claude mcp add jev-style --env JEV_STYLE_URL=your-value -- uvx jev-style mcp

실행하기 전에 빈 값을 채워 주세요.

Cursor에서 열기

또는 설정을 직접 복사하기

프로젝트의 .cursor/mcp.json 또는 ~/.cursor/mcp.json에 붙여 넣으세요

{
  "mcpServers": {
    "jev-style": {
      "command": "uvx",
      "args": [
        "jev-style",
        "mcp"
      ],
      "env": {
        "JEV_STYLE_URL": "your-value"
      }
    }
  }
}

브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.

VS Code에서 열기

또는 설정을 직접 복사하기

프로젝트의 .vscode/mcp.json에 붙여 넣으세요

{
  "servers": {
    "jev-style": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "jev-style",
        "mcp"
      ],
      "env": {
        "JEV_STYLE_URL": "your-value"
      }
    }
  }
}

브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.

이 서버는 내 컴퓨터에서 실행되는데, ChatGPT는 인터넷에 있는 서버에만 연결할 수 있어요. 다른 앱을 고르세요.

선택한 앱은 이 기기의 쿠키에만 저장돼요. 계정은 필요 없어요.

직접 입력할 값

  • JEV_STYLE_URL env
    URL of a running `jev-style serve` (start it with `pip install "jev-style[torch]"` or `[mlx]` on Apple silicon, then `jev-style serve`).

이 설정은 제작자의 레지스트리 정보로 만들었어요. README와 다르면 README를 따르세요.

할 수 있는 일

내 컴퓨터에서 실행돼요. 설치하면 AI 앱에 도구 목록이 나타나요.

기본 점검i

누구나 볼 수 있는 정보를 점검했고, 코드는 읽지 않았어요. 해당하지 않는 항목은 개수에서 뺐어요. · 2026년 11월 7일 점검

  • ✓ 통과

    제작자와 저장소 일치

    레지스트리 이름이 GitHub 계정 lawrence3699 기준으로 확인되었고, 이 계정이 저장소를 소유하고 있어요

  • … 아직 점검 안 함

    계속 관리되고 있음

    아직 GitHub에서 이 저장소를 읽어 오지 않았어요

  • … 아직 점검 안 함

    라이선스 있음

    아직 GitHub에서 이 저장소를 읽어 오지 않았어요

  • – 해당 없음

    엔드포인트 응답

    내 컴퓨터에서 실행되는 서버라 인터넷 엔드포인트가 없어요

  • – 해당 없음

    OAuth로 로그인

    내 컴퓨터에서 실행되며, 대신 로컬 설정을 사용해요

  • … 아직 점검 안 함

    도구 설명에 숨겨진 지시 없음

    내 컴퓨터에서 실행돼요. 도구 목록은 인터넷 엔드포인트가 있는 서버에서만 읽을 수 있어요

기타 카테고리의 다른 서버와 비교i

  • 이 카테고리의 다른 서버 32673개 중 0%보다 스타가 많아요
  • 이 카테고리의 다른 서버 32673개 중 86%보다 최근에 레지스트리에 공개됐어요
  • 기본 점검 결과가 이 카테고리의 다른 서버 32673개 중 100%와 같거나 더 좋아요

레지스트리에서 이 카테고리의 활성 서버 전체와 비교했어요. 스타는 게시자가 저장소를 소유한 경우에만 세요.

자주 묻는 질문

Jev-Style, 안전한가요?

해당하는 기본 점검 1개 중 1개를 통과했어요. 코드는 읽지 않았어요. 키나 토큰을 넣기 전에 서버가 어떤 권한을 요구하는지 확인하고, 꼭 필요한 권한만 있는 키를 쓰세요.

어떤 키나 코드가 필요한가요?

레지스트리에 필수 키가 나와 있지 않아요. 다만 처음 쓸 때 로그인을 요구하는 서버도 있어요.

내 컴퓨터에서 실행되나요, 클라우드에서 실행되나요?

내 컴퓨터에서 실행돼요. AI 앱이 필요할 때 실행하고, 데이터는 제작자의 서버를 거치지 않아요(서버 자체가 온라인 서비스를 호출하는 경우는 제외).

아직 관리되고 있나요?

GitHub 저장소는 마지막으로 – 변경됐고, 최신 버전(0.6.3)은 5일 전 레지스트리에 올라왔어요.

어떤 앱에서 쓸 수 있나요?

Claude Desktop, Claude Code, Cursor, VS Code처럼 MCP를 지원하는 앱에서 쓸 수 있어요. 내 컴퓨터에 Python (uv)도 있어야 해요.

대신 쓸 수 있는 건 뭐가 있나요?

같은 카테고리에는: Spec Driven Development, Remote Desktop Commander, Systemdox

대안

같은 카테고리에서 다른 제작자가 만든 서버예요. 스타 순으로 정렬했어요.

카드 보는 법:★ GitHub 스타i세 기둥: 리뷰 · 점검 · 사용 정도i업데이트 = 최신 버전을 레지스트리에 공개한 날i

Spec Driven Development

제작자: formulahendry

MCP Server that facilitates spec-driven development workflows, not just Vibe Coding.

내 컴퓨터에서 실행★ 440MIT14개월 전 업데이트
설치

Remote Desktop Commander

제작자: desktop-commander

Remote Desktop Commander: use files, terminal and processes on your own computers from any AI app.

클라우드에서 실행★ 211그저께 업데이트
설치

Systemdox

제작자: puglieseweb

Your architecture in your agents' context: checks, specs, ADRs and docs over MCP, at write time.

내 컴퓨터에서 실행오늘 업데이트
설치

제작자의 README

README 열기

제작자의 저장소에서 쓰인 그대로 가져왔어요. PopNx MCP가 검토하거나 보증한 내용이 아니에요. HTML, 이미지, 스크립트는 제거했어요. 링크를 누르면 이 사이트를 벗어나요.

Jev-Style

Small decision models that run on your own machine. Text and images in, a calibrated probability for every option out.

Website · Models · Live demo · PyPI · Agent skills · MCP · Changelog · 简体中文

Created and maintained by Chaoliang Yan . An independent project, not affiliated with TypeSafe or Jev ( details ).

Jev-Style is a family of small decision models (0.8B and 2B, fine-tuned from Qwen3.5) and the toolkit that puts them to work. Give a model text or JSON, optional images and typed questions. It reads the input once and returns a calibrated probability for every option, in one forward pass, on your laptop. Use it to route support tickets to the right team, pick the tool or model an agent should call, tag topics, flag phishing, check receipts and screenshots, or let a coding agent's tool calls through only when a local model agrees. No GPU, no API key and no training needed.

Quick start

Try it first with nothing installed: the 2B Space runs Jev-Style-2B-Decision-v4 (text and images) and the 0.8B Space runs the 0.8B.

Locally, you need Python 3.10 or newer. In a virtual environment, install one backend for your machine:

pip install -U "jev-style[mlx]"      # Apple silicon (text)

pip install -U "jev-style[torch]" # NVIDIA GPU, CPU or image input; Intel Macs, Linux and Windows (also works on Apple MPS)

The bare pip install jev-style installs only the HTTP client, the fake engine and the MCP server; running a model needs one of the extras above. [mlx] pins mlx-lm to 0.31.3 on purpose (the 2B MLX runtimes check the mlx-lm source they patch and refuse any other version), so give jev-style its own virtual environment, or use uv tool install, if other MLX tools in the same environment need a newer mlx-lm.

Start the server and open the local Playground. The first start downloads the 0.8B weights (about 1.5 GB); later starts reuse them.

jev-style serve                      # add --release 2b for the 2B v4 (images need --backend torch)

In a second terminal, make one decision:

jev-style decide "I was charged twice" --url http://127.0.0.1:8765 --choice "Which team?::billing,shipping,returns"

Or from Python, in one line (loads the model in-process, or uses the server in JEV_STYLE_URL):

import jev_style

jev_style.classify("Where is my parcel? It was due Monday.", ["billing", "shipping", "tech"])

{'label': 'shipping', 'confidence': ..., 'probabilities': {'billing': ..., 'shipping': ..., 'tech': ...}}

The server speaks the public POST /v1/systemone request shape, so clients written for Jev-compatible servers, including the official SDKs, can point at http://127.0.0.1:8765 with any API key string. For the command line tool on its own: uv tool install "jev-style[all]" on Apple silicon, uv tool install "jev-style[torch]" elsewhere.

Why Jev-Style

  • Three question types in one request. Yes/no (noul), multiple choice (choice, up to 255 options) and ordered ratings (score, 2 to 10 levels). The model reads the text once and answers every question about it.
  • Probabilities, not just labels. Each release ships temperatures fitted on held-out data, so your code can act on confident answers and send the rest to a person or an LLM.
  • Images (2B v4). Photos, screenshots, receipts, charts and scanned forms in the state, sent as assets the way TypeSafe's API takes them. The PyTorch build reads them; the MLX and GGUF builds read text only.
  • Long inputs. Up to 32,768 tokens per call with the 2B v4 (25,600 with v3). Nothing is truncated: an input that is too long is rejected with an error that says so.
  • Runs locally, small. 0.53 GB for the 0.8B at 4-bit; about 0.15 to 0.2 s for a short request with MLX on an M1 Max, after the first call. Nothing leaves your machine.
  • 51 languages evaluated. Training covers 19 languages. On MASSIVE intent the 0.8B beats Laya's multilingual checkpoint in all 51 evaluated languages.
  • Built for agents. Six agent skills, an MCP server in the official registry, a Claude Code tool-call guard and confidence cascades, all working with Claude Code, Codex, Cursor and other agents.
  • Measured, with the protocol published. jev-style eval scores your own labelled data; every benchmark number here links to a model card with its protocol and confidence intervals.

Models

Start with the default 0.8B to try things: 1.5 GB, fast on a laptop. Move to the 2B v4 for accuracy, images and 32,768-token inputs. --release 2b loads the v4; --release 2b-v3 keeps the previous 2B.

Release (--release)Parameters · smallest buildJevBench v1.4.1 public (231)tweet_topic, zero-shot (1,693)Context
Jev-Style-2B-Decision-v4 (2b)2.2B · 1.27 GB (Q4_K_M, text)74.9 %not run32,768 tokens, images
Jev-Style-2B-Decision-v3 (2b-v3)1.9B · 1.27 GB (Q4_K_M)73.6 %82.2 %25,600 tokens
Jev-Style-0.8B-Decision-v3 (0.8b, default)0.8B · 0.53 GB (Q4_K_M)64.1 %75.5 %25,600 tokens
Hosted Jev 1.13, for reference–86.6 %79.3 %–

Decision Index. Since 2026-11-04 the 2B v4 is listed on the public Decision Index 0.3 board as jev-style-2b-v4, replacing the 2B v3 entry (34.05): Public 44.37, Full 34.53, Breadth 41.75, and on the Vision board Public 57.55 / Full 51.94. The 0.8B v3 is on the same board at Public 17.0 / Full 12.5. The Full score also counts the maintainers' private test sets, which is why it is lower than the Public score.

How to read the JevBench numbers. The 2B v4 JevBench score is one self-run with the official harness through this package's server (float32, Apple MPS; 95 % CI 68.9 to 80.0 %), not a JevBench board entry. Several benchmarks' official train splits are in the 2B v4's training data, so those results are not zero-shot. The 2B v3 numbers are single pre-declared runs with its GGUF F16 build: on JevBench it is the highest among the Qwen3.5-2B-family systems on the v1.4.1 board (decider-2b 71.0 %, open-jev-zefan-2b 64.5 %), but the lead over decider-2b is inside the 95 % confidence interval, 42 of the 82 board systems score higher, and hosted Jev is well ahead. Each model card gives every protocol: 2B v4, 2B v3, 0.8B v3.

The 0.8B against Laya, on sets neither was trained on

ModelBanking77 (77 intents, never trained)MASSIVE intent, 37 held-out languagestweet_topic, zero-shotJevBench v1.4.1 public (231)
Jev-Style-0.8B-Decision-v368.2 %65.5 %75.5 %64.1 %
Best official Laya checkpoint (0.8B, 1,024 tokens by default)49.2 %36.1 %63.2 %58.4 %

From the 0.8B model card, which gives the full protocol and confidence intervals. The Laya rows are its official checkpoints re-run on the same rows, except tweet_topic and JevBench, which use published numbers. The hosted Jev API has higher accuracy than the 0.8B on every one of these sets where its accuracy is published. On tweet_topic the 2B v3's accuracy is above Jev's published number, but its macro-F1 is below (0.678 vs 0.694).

Every build and its size

Build2B v42B v30.8BUsed by
safetensors: 2B v4, 2B v3, 0.8B4.43 GB3.76 GB1.50 GB--backend torch (CUDA, Apple MPS, CPU); the 2B v4 reads images here
MLX bf16 / 8-bit: 2B v4, 2B v3, 0.8B3.76 / 2.00 GB3.76 / 2.00 GB1.50 / 0.80 GB--backend mlx (Apple silicon; auto picks it there)
GGUF F16 / Q8_0 / Q4_K_M: 2B v4, 2B v3, 0.8B3.78 / 2.01 / 1.27 GB3.78 / 2.01 / 1.27 GB1.52 / 0.81 / 0.53 GB--backend gguf (llama.cpp through the release's scorer: jev-score-v2 for both 2Bs, jev-score for the 0.8B)

These are weight-file sizes, not RAM or VRAM requirements. Each build carries its own runtime file next to the weights; the server downloads a pinned revision a

앞부분만 보여 드려요. 나머지는 저장소에서 읽어 보세요

PopNx에게 묻기