Jeff es un proyecto independiente que ejecuta clasificadores compactos localmente: se les da una situación y un conjunto de opciones en texto, y calculan una probabilidad para cada opción. Los 22 ms publicados no son una promesa para cualquier ordenador: corresponden a la mediana de Jeff-Qwen3.5-0.8B en una NVIDIA RTX PRO 6000, con entradas de prueba de unos 200 tokens. En Apple M4 Max, el proyecto informa 28 ms; en una CPU de 32 hilos, 463 ms.
Qué es Jeff y qué hace
Jeff es un proyecto de clasificadores ajustados sobre Qwen3.5 y Gemma 4. En vez de generar una respuesta en prosa y luego extraer de ella una decisión, recibe una situación y opciones expresadas en lenguaje natural, y calcula probabilidades para esas opciones en una pasada hacia delante. El repositorio enumera los tipos de pregunta choice, noul (sí/no) y score; para Qwen indica un máximo de 254 opciones.
As an Amazon Associate I earn from qualifying purchases.
Su ámbito natural son las decisiones acotadas: elegir una etiqueta, clasificar un ticket o seleccionar entre herramientas disponibles. El mantenedor lo resume así: “Jeff is a classifier, not a planner.” No está presentado como un sistema para planificar tareas o resolver razonamientos que requieren una secuencia de pasos. El repositorio oficial de Jeff describe sus modelos y ejemplos.
Recommended Free Tools
Qué significa la cifra de 22 ms
Según las mediciones publicadas por el proyecto y consultadas el 7 de octubre de 2026, Jeff-Qwen3.5-0.8B v1.2 registró una mediana de 22 ms por decisión en una NVIDIA RTX PRO 6000. La prueba procesó de una en una las mismas 200 preguntas de benchmark, con entradas de aproximadamente 200 tokens, desde el texto hasta las probabilidades.
#1 Best Overall
La cifra es una mediana bajo esa configuración, no un tiempo garantizado para otra carga, modelo o equipo. El mismo cuadro del proyecto informa resultados distintos para otras plataformas y modelos:
| Modelo y versión indicada | NVIDIA RTX PRO 6000 | Apple M4 Max, MLX | CPU de 32 hilos |
|---|---|---|---|
| Jeff-Qwen3.5-0.8B v1.2 | 22 ms | 28 ms | 463 ms |
| Jeff-Qwen3.5-2B v1.2 | 24 ms | 60 ms | 708 ms |
| Jeff-Gemma4-E2B | 29 ms | no indicado en la tabla publicada | 1,0 s |
Son cifras de la tabla inicial de tiempos del repositorio, no una comparación entre equipos bajo condiciones idénticas. El proyecto también publica mediciones posteriores con adaptadores; sus método, peticiones y configuración difieren, así que no deben combinarse directamente con esta tabla.
Rank #2
- Use scikit-learn to track an example ML project end to end
- Explore several models, including support vector machines, decision trees, random forests, and ensemble methods
- Exploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detection
- Dive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, autoencoders, diffusion models, and transformers
- Use TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning
Qué hardware y versión elegir
Jeff ofrece rutas locales para hardware distinto: PyTorch en GPU NVIDIA o CPU, MLX en Apple silicon para Qwen y archivos GGUF para llama.cpp. Por tanto, la RTX PRO 6000 es el equipo de referencia para la cifra de 22 ms, no un requisito universal para ejecutar el proyecto. El repositorio no establece aquí un mínimo general de memoria ni un requisito único de hardware.
Do these 3 things before closing this tab:
1Fix the driver behind crashes, sound loss and screen glitches2Repair Windows errors before they cause bigger problems3Scan for outdated or missing drivers - takes under a minuteZero-shot sin adaptador
Para un uso zero-shot sin adaptador, el README recomienda v1.2. La v1.3 se describe como orientada a adaptadores y con peor rendimiento en listas largas de opciones desconocidas. La elección de versión importa: que una versión posterior exista no significa que sea la adecuada para toda tarea.
Rank #3
Ejecución con adaptadores
Un adaptador puede especializar un modelo para una tarea, pero sus resultados publicados son pruebas del proyecto, no validación independiente ni una garantía para datos nuevos. Antes de integrarlo, comprueba su licencia y pruébalo con ejemplos que representen los casos normales, ambiguos y de error de tu aplicación.
Qué dicen los resultados de calidad
El repositorio informa un panel de cinco benchmarks con 4.599 preguntas en total. En ese conjunto, Jeff-Qwen3.5-0.8B v1.2 obtuvo 78,7%; Jeff-Qwen3.5-2B v1.2, 81,7%; y Jeff-Gemma4-E2B, 81,6%. Son resultados publicados por el proyecto sobre esa muestra, no una medida de precisión universal.
Rank #4
El desempeño varía por tarea: el proyecto muestra cifras elevadas en Financial PhraseBank y RAGTruth, pero resultados inferiores a Jev en BBH, JudgeBench, WinoGrande y JevBench hard. Para JevBench hard, informa aparte una muestra de 105 preguntas. Además, advierte que las cifras publicadas de Jev y AutoJev se calcularon con muestras distintas de los mismos benchmarks; la comparación directa tiene esa limitación. En conjunto, estos resultados no justifican extrapolar el rendimiento de clasificación a razonamiento complejo ni a datos distintos de los evaluados.
Free tools Windows power users keep installed
One-click scans. No signup required.
Cómo valorar si sirve para tu caso
- Define una decisión cerrada. Expón en el texto la situación y las opciones posibles. Si el trabajo exige planificar varios pasos, no lo conviertas artificialmente en una clasificación simple.
- Prepara los datos y las opciones de forma consistente. El repositorio recomienda organizar los hechos y las opciones en código, y redactar estas últimas con claridad.
- Evalúa ejemplos representativos. Mide los errores en tus propios casos antes de usar el clasificador en una tarea real; los porcentajes del panel de benchmarks no predicen automáticamente el resultado de tu conjunto.
- Comprueba latencia en tu entorno. La cifra publicada depende del modelo, versión, hardware y carga. Prueba la configuración que realmente desplegarías, en lugar de usar 22 ms como presupuesto universal.
- Revisa versión y licencia. Distingue el uso zero-shot de la especialización mediante adaptadores, y confirma los términos aplicables a cada componente antes de distribuir o desplegar.
Usos que el proyecto enumera y cautelas
El repositorio lista adaptadores para tareas como clasificación de tickets e intenciones de soporte, elección de herramientas, grounding y reranking de pasajes, navegación por voz, detección de spam o phishing, análisis de cláusulas legales, screening de sanciones y triage de alertas SOC. Esa lista indica ejemplos de especialización disponibles, no que cada adaptador sea adecuado para producción o para cualquier jurisdicción y conjunto de datos. Examina sus datos, errores y condiciones de licencia antes de adoptarlo, especialmente en decisiones financieras, legales o de seguridad.
Best Value
Licencias e independencia
Jeff declara que no está afiliado ni respaldado por TypeSafe, la empresa que desarrolla Jev. El código de Jeff se publica bajo MIT y sus pesos bajo Apache 2.0, pero las licencias de los adaptadores pueden variar; el repositorio señala que algunos son no comerciales y remite a cada ficha para sus términos. No supongas que la licencia del código o de los pesos cubre también un adaptador.
Las cifras de velocidad y calidad descritas aquí son las publicadas por el proyecto en su repositorio, consultado el 7 de octubre de 2026. No establecen por sí solas adopción, ahorro monetario ni rendimiento operativo en producción.
Quick Recap
Product prices and availability are accurate as of the date/time indicated and are subject to change. Any price and availability information displayed on Amazon at the time of purchase will apply.
