← Todas las herramientasGenerador de setup local

Ejecuta un modelo de decisión tipo Jev en local

No puedes descargar Jev en sí — los pesos son cerrados y alojados. Pero el ecosistema abierto ya ofrece modelos de decisión reales y autoalojables con la misma forma. Elige tu hardware y obtén el camino más corto a un setup local funcionando: instalar, modelo, servidor y una llamada de prueba que puedes copiar como un solo script.

These are independent, open Jev-like decision models (Laya, OpenJev) — not TypeSafe's official Jev weights, which are closed and hosted. Same primitives (choice · score · noul), but you own calibration and quality. Some third-party checkpoints even ship uncalibrated confidence (their MLX build warns about out-of-range temperatures), so validate on your own labelled data before wiring a threshold in production.

Apple Silicon (M1–M4)macOS 14+Python 3.11+~420M paramsmizorewww/laya-mlx ↗

1 · Install the MLX runtime

bash

python3.11 -m venv .venv && source .venv/bin/activate
pip install laya-mlx

2 · Download the model (optional — it auto-downloads on first run)

bash

hf download aac6fef/laya-mlx

3 · Run a typed decision (local inference, in-process)

python

import laya_mlx as laya

agent = laya.load("aac6fef/laya-mlx")
result = agent.predict(
    "I was billed twice. Please refund the duplicate.",
    {
        "department": {
            "type": "choice",
            "instructions": "Who should handle this?",
            "criteria": ["billing", "technical", "sales"],
        }
    },
)
print(result["answers"]["department"])

Laya-MLX runs in-process — there is no HTTP server, you call it from Python. Types: choice · score · noul (calibrated P(true)). For 30+ languages load aac6fef/laya-multilingual-mlx instead.

Prefer the hosted API? Get a key →

¿Cuál debería elegir?

Mac / Apple Silicon → Laya-MLX. El más pequeño y fácil: un modelo de ~420M que corre in-process en un Mac de la serie M en milisegundos. Sin GPU, sin servidor. Ideal para desarrollo local y privacidad.
Node.js / TypeScript → @receptron/laya. La misma idea desde un runtime JS vía ONNX — sin Python en absoluto. Ideal si tu stack ya es Node.
Docker (GPU) → OpenJev. Un modelo más grande, servido por GPU, tras una API HTTP compatible con Jev en :8080. Ideal cuando quieres un endpoint de API listo para usar y tienes una tarjeta NVIDIA.
NVIDIA bare-metal → OpenJev. El mismo modelo sin Docker, para control total del runtime vLLM.

Esto no es el Jev oficial

Laya y OpenJev son proyectos comunitarios independientes que reconstruyen la idea de decisión tipada sobre pesos abiertos — no son el Jev de TypeSafe, y su calibración y calidad son propias. Ese es el verdadero compromiso frente a la API alojada: local significa cero salto de red y ningún coste por llamada, pero la validación es cosa tuya. Si quieres decisiones fijadas y calibradas sin operaciones, la vía alojada está a un POST /api/v1/decide de distancia.