論文の概要: Jev in the Wild: A Data-Driven Analysis of the Jev Model's Functionality, Applications and Ecosystem

• arxiv url: http://arxiv.org/abs/2609.30216v1
• Date: Thu, 24 Sep 2026 17:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.183859
• Title: Jev in the Wild: A Data-Driven Analysis of the Jev Model's Functionality, Applications and Ecosystem
• Title（参考訳）: Jev in the Wild: Jevモデルの機能,アプリケーション,エコシステムに関するデータ駆動分析
• Abstract要約: Jevは、選択、二項判定、スコアで自然言語の質問に答える、高速で低コストな意思決定モデルである。 GitHubから収集した2,170の公開プロジェクトの大規模なデータ駆動分析を行います。 新しいプロジェクトと既存のリポジトリとの統合によって、Jevのパブリックエコシステムは急速に成長しています。
• 参考スコア（独自算出の注目度）: 0.8921166277011348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Jev is a fast, low-cost decision model that answers natural-language questions with choices, binary judgments, and scores. As its public ecosystem grows rapidly, it remains unclear how Jev is used across applications and how public attention relates to project distribution. To answer these questions, we conduct a large-scale, data-driven analysis of 2,170 publicly available Jev projects collected from GitHub as of September 22, 2026. We find rapid early growth in Jev's public ecosystem, with both new projects and integration into existing repositories. Across diverse domains, projects use Jev for multiple decision purposes and combine its interfaces. Attribute judgment and scoring are widely used, while the use of action selection, content filtering, and model and tool selection varies across domains. These patterns suggest that Jev serves as a reusable decision component whose functionality varies with the surrounding workflow. Meanwhile, public attention is concentrated in routing and interface agents and does not track project counts. Our findings provide a quantitative view of Jev's emerging ecosystem and inform the design and evaluation of general-purpose decision models across diverse application contexts.
• Abstract（参考訳）: Jevは、選択、二項判定、スコアで自然言語の質問に答える、高速で低コストな意思決定モデルである。 パブリックエコシステムが急速に成長するにつれて、Jevがアプリケーション全体にわたってどのように使われているのか、また、パブリックな関心がプロジェクトの配布にどのように関係しているかは、まだ不明である。 これらの質問に答えるために、2026年9月22日現在、GitHubから収集された2,170の公開Jevプロジェクトの大規模なデータ駆動分析を行います。 新しいプロジェクトと既存のリポジトリとの統合によって、Jevのパブリックエコシステムは急速に成長しています。 さまざまなドメインにまたがって、プロジェクトはJevを複数の決定目的に使用し、そのインターフェースを組み合わせる。 属性判定とスコアリングは広く使われており、アクション選択、コンテンツフィルタリング、モデルとツールの選択はドメインによって異なる。 これらのパターンは、Jevが周囲のワークフローによって異なる再利用可能な決定コンポーネントとして機能することを示唆している。 一方、一般の関心はルーティングとインターフェイスエージェントに集中しており、プロジェクトの数を追跡していない。 本研究は,Jevの新たなエコシステムを定量的に把握し,多様なアプリケーションコンテキストにまたがる汎用意思決定モデルの設計と評価について報告する。

関連論文リスト

• More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
  遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。 我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。 提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
  論文  参考訳（メタデータ） (2026-07-17T13:25:44Z)
• Empirical Evaluation of AI-Assisted Software Package Selection: A Knowledge Graph Approach [4.100870096741918]
  本研究は,ソフトウェアパッケージ選択をMCDM問題として定式化する。 データパイプラインは、ソフトウェアメタデータ、利用トレンド、脆弱性情報、開発者の感情を継続的に収集し、統合する。 システムは、大きな言語モデルを使用して、ユーザの意図を解釈し、モデルをクエリして、コンテキスト的に適切なパッケージを識別する。
  論文  参考訳（メタデータ） (2025-08-06T13:55:43Z)
• Gotta catch 'em all! Towards File Localisation from Issues at Large [2.1574657220935602]
  この作業は、イシューファイルローカライゼーションデータセットを作成するためのデータパイプラインを提供する。 従来の情報検索手法を用いて,ファイルローカライゼーション問題に対するベースライン性能評価を行う。 我々は、統計分析を用いて、バグローカライゼーションコミュニティで知られているバイアスがデータセットに与える影響を調査する。
  論文  参考訳（メタデータ） (2025-07-24T11:42:13Z)
• V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multi-Modal Large Language Models [31.537045261401666]
  本稿では,多モード大規模言語モデルと協調自律運転を統合した新しい問題設定を提案する。 また,V2V-LLM(V2V-LLM)のベースライン手法を提案する。 実験結果から,提案するV2V-LLMは,協調運転における様々なタスクを遂行する上で,有望な統一モデルアーキテクチャとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-02-14T08:05:41Z)
• An Empirical Study of ChatGPT-Related Projects and Their Issues on GitHub [31.04758551761583]
  キーワードChatGPTを使ってGitHubから71,244のプロジェクトを取り出しました。 また,ChatGPT関連プロジェクト,すなわちChatGPT実装・トレーニング,ChatGPTアプリケーション,ChatGPT改善・拡張の3つの主要なカテゴリを特定した。 3つのプロジェクトカテゴリにおいて、各課題トピックの人気、難易度、進化度を分析した。
  論文  参考訳（メタデータ） (2024-03-26T07:06:54Z)
• Generative Judge for Evaluating Alignment [84.09815387884753]
  本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。 我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。 実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
  論文  参考訳（メタデータ） (2023-10-09T07:27:15Z)
• AVIS: Autonomous Visual Information Seeking with Large Language Model Agent [123.75169211547149]
  本稿では,視覚的質問応答フレームワークAVISを提案する。 本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。 AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
  論文  参考訳（メタデータ） (2023-06-13T20:50:22Z)
• Studying the Characteristics of AIOps Projects on GitHub [14.58848716249407]
  我々は、AIOpsの実践的特性を理解するために、オープンソースのAIOpsプロジェクトの詳細な分析を行います。 私たちは、GitHubからAIOpsプロジェクトのセットを特定し、リポジトリメトリクスを分析します。 最後に、バグの数などの異なる品質指標を用いて、これらのプロジェクトの品質を評価します。
  論文  参考訳（メタデータ） (2022-12-26T18:24:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。