Jev-Omni

Jev-Omni

针对文字、图像、音频或视频提出的问题，对你列出的每个选项给出概率，而不是写一段解释。这是基于 Gemma 4 的 12B 分类器，适合需要带分数决策的开发者。

由 akhilaaa3 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Jev-Omni 是一个决策分类器，能处理文字、图片、声音和视频。你给它一个情境、一个问题和一组选项，它为每个选项返回一个概率，不写解释。它基于 Gemma 4 12B IT，用 30,000 个问题微调而成。

适合谁：适合需要对混合媒体的选择题或是非题得到快速、带分数答案的开发者。它适合路由、检查和分流这类概率比文字更重要的工作。

行业 | 谁在用 | 怎么用 | 例子
软件 | 开发者 | 给流水线加一个带分数的决策步骤 | 根据时间询问会议是否已经开始
媒体审核 | 内容团队 | 针对一个问题对片段、图像或音频分类 | 为一段短视频挑选最合适的标签
运营 | 工作流构建者 | 用概率而不是文字来路由事项 | 为收到的事项在几个队列中选一个
研究 | 评测研究人员 | 比较决策基准 | 在模型卡报告的 DecisionBench 或 JevBench 上测试它

如果你想要书面回答、聊天或解释，可以跳过它。它也没有 CPU 路径，因为模型卡说需要 CUDA GPU。

用在哪里：

• 带 CUDA GPU 的机器上的 Python，音频需要 ffmpeg
• 每个问题调用一次分类器的流水线
• 比较决策分类器的研究环境

用例 | 适合谁 | 得到什么
是非检查 | 开发者 | 是和否各自的概率
多项选择 | 工作流构建者 | 最多 20 个选项中每个选项的概率
图像、音频或视频问题 | 媒体团队 | 关于你附上的文件的带分数回答

如何设置：需要 CUDA GPU。FP32 权重在运行时开销之前约占 50 GB，推理使用 BF16 自动混合精度。

• Python 和一块 CUDA GPU
• 模型仓库里 requirements.txt 文件所列的软件包
• 如果要发送音频，需要 ffmpeg

1. 安装仓库 requirements.txt 文件里的软件包。
2. 如果需要音频输入，安装 ffmpeg。
3. 用 huggingface_hub 下载仓库。
4. 用下面的代码加载分类器。

pip install -U huggingface_hub
hf download akhilaaa3/Jev-Omni

如何使用：下载仓库，加载分类器，然后用一个状态、一个问题和你的选项调用 predict。结果里包含每个选项的概率。

from huggingface_hub import snapshot_download

path = snapshot_download("akhilaaa3/Jev-Omni")
import sys; sys.path.insert(0, path)
from jev_omni import load_jev_omni

classifier = load_jev_omni()
result = classifier.predict(
    state="The meeting starts at 10 AM. It is now 9 AM.",
    question="Has the meeting started?",
    options=["Yes", "No"],
)
print(result)

要询问图像、音频文件或视频，请添加一个 media 路径，并把 modality 设为 image、audio 或 video。音频上限为 30 秒，视频使用 16 帧。

工具 | 作用
load_jev_omni | 加载分类器，并获取原版 Gemma 4 的多模态部分
predict | 接收状态、问题和选项，为每个选项返回一个概率
media 和 modality | 把图像、音频文件或视频附到问题上
snapshot_download | 获取仓库文件，包括加载器模块

示例：你给它一条说会议 10 点开始、现在是 9 点的说明，问会议是否已经开始，并给出是和否两个选项。它为两者各返回一个概率，否的分数更高。

新手与专家：你可以把它看成一个快速裁判。你描述一个情境，提出一个问题，列出可能的答案，它告诉你每个答案的可能性有多大。先从文字示例开始，再读打印出来的结果。

这个模型是 Gemma 4 12B IT 的微调版本。在预热过的 H200 上，模型卡测得约 2k 个令牌的文字为 83 ms，图像为 26 ms，13 秒音频为 31 ms，16 帧视频为 504 ms，均为 20 次请求的中位数。中等规模测试集上的校准误差为 0.0400，选项在 20 个以内时质量最好。

提供状态、问题和选项
需要时附上图像、音频或视频
分类器给每个选项打分
读取每个选项的概率

Title: 各基准的报告得分
DecisionBench Medium: 87.57 %
JevBench: 86.15 %
MMAU: 63.10 %
MVBench: 53.10 %

注意事项：

• 它的输出头最多接受 256 个选项，但超过 20 个时质量没有得到验证。
• 模型卡说它是独立的，与 TypeSafe AI 或其 Jev 模型没有关联。
• 模型卡里对比的模型，其分数由各自的开发者报告，可能使用不同的评测协议。
• License: Apache-2.0，沿用 Gemma 4，数据集权利另行保留。
• Cost to run: 未提及，但需要 CUDA GPU。
• Data it reaches: 你传入的文字、图像、音频和视频，以及从 Hugging Face 下载的文件。
• Not for: 书面解释，因为它只返回概率。

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：transformers
• 参数量：12B
• Weights: about 23.9 GB in BF16; about 6 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：3,744
• 点赞：450
• 许可证：apache-2.0
• 基于：google/gemma-4-12B-it
• Quantized versions: 4
• Fine-tunes: 3
• 标签：transformers, safetensors, gemma4_unified, image-text-to-text, text-classification, multimodal, merged, decision-model

链接

• 模型：https://huggingface.co/akhilaaa3/Jev-Omni
• 文件：https://huggingface.co/akhilaaa3/Jev-Omni/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download akhilaaa3/Jev-Omni

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。