产品定位
Jeff 是由 Firelex 团队推出的开源决策模型，可视为 TypeSafe AI 闭源模型 Jev 的开源平替。它用 Qwen3.5 和 Gemma 4 微调而成，目标是零样本分类，仓库自述为 Fast, compact, Jev-compatible decision models。发布三个变体：Jeff-Qwen3.5-0.8B、Jeff-Qwen3.5-2B、Jeff-Gemma4-E2B，权重托管在 Hugging Face 的 mstrasser 名下。团队声明与 TypeSafe AI 没有关联，也未获得其背书。

核心功能
Jeff 的请求格式与 Jev 完全对齐，现有 Jev 或 TypeSafe 客户端代码不用改动就能直接指向 Jeff。它面向快速且校准良好的选择任务，支持零样本分类，最多支持 254 个选项，适合从候选标签中做出单次判断或有限选择，不适合多步推理。2B 版在五项公开基准上平均达到 83.1%，略高于 Jev 的 83.0%，但游戏场景反而可能比 0.8B 版差，因为风险厌恶更强。

技术特点
速度方面，0.8B 版在 RTX PRO 6000 上单次判断约 22 毫秒，在 Apple M4 Max 上约 28 毫秒；五项公开基准平均 79.1%，2B 版为 83.1%。训练成本很低，团队用一台 RTX PRO 6000 工作站，0.8B 版约 2 小时、2B 版约 3.5 小时就训完，配方源自 MIT 许可的 AutoJev。代码采用 MIT 许可证，权重采用 Apache 2.0 许可证，便于研究和商业集成。

适用场景
官方强调 Jeff 用于快速且校准良好的选择，适合客服工单路由、内容审核、语音指令、游戏 AI 等场景。在这些任务中，系统通常只需将输入归入有限类别或从多个选项中挑选最合适答案，低延迟和 Jev 兼容接口可以降低替换与部署成本。需要注意，它最多支持 254 个选项，不适合多步推理；2B 版在游戏场景反而比 0.8B 版差，因为风险厌恶更强，选型时应按任务特点在 0.8B、2B 和 Gemma4-E2B 之间权衡。