Projektliste

Der ultraschnelle Agent von Browser Use: Das Entscheidungsmodell wählt in einer Anfrage sowohl die Aktion als auch das DOM-Element, und ein kleines LLM wird nur aufgerufen, wenn Text eingegeben werden muss.

Ein Gesprächs-Copilot auf dem Handy: liest das Gegenüber in WeChat, QQ, X oder Feishu, schlägt Antworten vor und füllt das Eingabefeld — das Senden bleibt manuell. Er liest nur den Bildschirm, hookt nichts und verändert kein Paket.

Computer-Nutzung unter macOS: den Bildschirm per OCR lesen, die nächste Aktion mit dem Entscheidungsmodell klassifizieren, klicken. Angegeben mit etwa $0.0002 pro Schritt.

Eine Skill-Suite für Hermes-Agenten: Modell-Routing, Gedächtnis, Kontext-Kompaktierung, Skill-Auswahl sowie Computer- und Browser-Nutzung — lässt sich auch unter Claude Code und Codex installieren.

Lässt das Entscheidungsmodell den Klick auswählen, während Codex denkt und verifiziert — laut Bericht 5–10× schnellere Browser-Aktionen.

Ein Agent, der Super Mario Bros. anhand des strukturierten Emulator-Zustands statt anhand von Pixeln spielt.

Ein eigenständiger Android-Agent, bei dem das Entscheidungsmodell jede Entscheidung trifft, mit einem Live-Studio, das die Entscheidungs-Telemetrie anzeigt.

Ein Overlay zur Absichtserkennung für WeChat (macOS): Bildschirmlesen plus ein kleines lokales Modell, das Absicht und Risiko beurteilt, dann Antwortvorschläge — strikt schreibgeschützt, nichts wird in WeChat injiziert.

Einen echten Browser per Stimme steuern: Absicht und Ziel werden in etwa 300 ms pro gesprochenem Wort bestimmt, dann führt Playwright sie aus — oft, bevor du den Satz beendet hast.

Browser-Nutzung, gesteuert durch das Entscheidungsmodell.

Eine Browser-Erweiterung, die mit dem Entscheidungsmodell Unrat auf der Seite findet und entfernt, mit wiederverwendbaren Vorlagen-Regeln.

Eine Werkbank für Roboterentscheidungen in MuJoCo.

Eine autonome Drohne in MuJoCo, die nur eine Kamera nutzt, mit dem Entscheidungsschritt bei 2.5 Hz.

Ein Claude-Code-Plugin, das die Kompaktierungs-Zusammenfassung durch Entscheidungen ersetzt: Jeder Tool-Aufruf und sein Ergebnis wird in einer Anfrage bewertet, Veraltetes wird verworfen oder gekürzt, und was bleibt, bleibt wortgetreu.

Ein Agenten-Aufseher, der mit Entscheidungen Coding-Agenten bei der Aufgabe hält.

Ein LLM schreibt aufgabenspezifische Entscheidungs-Harnesse, optional mit Reward-Reflexion über die gesamte Trajektorie und GEPA-Evolution.

Ein Plugin für strukturierte Entscheidungen für Agent-Harnesse: nativ auf DeepSeek Harness und über iPolloWork auch OpenCode und Codex Harness.

Ein Claude-Code-Plugin, das lange Bash-Ausgaben kürzt, bevor das Modell sie überhaupt sieht.

Eine Entscheidungsschicht für den Coding-Agenten Pi: ein gemessenes Gate für Tool-Aufrufe plus jev_ask für typisierte, kalibrierte Antworten.

Leitplanken für Pi, die lenken statt unterbrechen: Das Entscheidungsmodell beurteilt unumkehrbare und vom Thema abweichende Tool-Aufrufe, erkennt festhängende Schleifen und prüft unbelegte Behauptungen, fertig zu sein.

Ein Skill, der zeigt, wie man Programme schreibt und verbessert, die das Entscheidungsmodell aufrufen.

Ein stufenweiser Code-Review-Workflow mit einem lokalen Dashboard.

Websuche mit dem Entscheidungsmodell: Quellenauswahl, Query-Verständnis und Relevanz-Ranking.

Leitet Claude-Code-Aufgaben an das gerade ausreichende und günstigste Modell weiter, indem es das Entscheidungsmodell aus Kandidaten wählen lässt.

Eine PostgreSQL-Erweiterung, um deine Tabellen in einfacher Sprache zu befragen.

Routing für Codex pro Turn: Jeder Turn entscheidet erneut über Modell, Denktiefe und Geschwindigkeitsmodus.

Ein Local-First-MCP-Plugin für kontinuierlichen Software-Quality-Review durch Coding-Agenten.

Eine Marketing-Analyseplattform, die einen Markensichtbarkeits-Klassifikator von einem LLM auf boolesche Entscheidungen umgestellt hat, umschaltbar per Feature-Flag.

Ein leichtgewichtiger Router für Modelle, Tools und Subagenten.

Ein CLI, das ein Repository zu einem Aufrufgraphen auf Methodenebene parst und dann das Entscheidungsmodell bittet, wahrscheinliche Defekte zu markieren und in einfachem Englisch geschriebene Projektregeln zu prüfen.

Grep nach Bedeutung statt nach Muster: Jede Zeile wird gegen eine Bedeutung bewertet, und Bedeutungen lassen sich mit AND / OR / NOT kombinieren.

Bewegt sich Sprung für Sprung durch einen Neo4j-Graphen, indem ausgehende Kandidaten-Beziehungen klassifiziert werden, mit Beam Search über die Log-Wahrscheinlichkeiten der Antwort.

Semantische ifs mit offenen Modellen auf einer einzigen 3090 zu Hause. Unabhängiges Projekt, nicht mit dem Anbieter verbunden.

Ein 0.6B-Nachbau: parallele Entscheidungen über dynamische Kandidaten, kein Dekodieren von Ausgabe-Tokens, mit der Ende-zu-Ende-Trainingspipeline.

Trainiere ein kleines Modell, das aus einer sich ändernden Liste von Textoptionen eine auswählt, mit einer Wahrscheinlichkeit pro Option in einem einzigen Durchlauf — samt Demos zu Doom, Schach und Wikispeedia.

Ein nicht-autoregressives 395M-Modell, das typisierte Fragen mit kalibrierten Wahrscheinlichkeiten in unter 15 ms beantwortet, gedacht als lokaler Drop-in-Ersatz.

Verwandle jedes offene Modell in einen Klassifikator oder in einen kompatiblen Endpunkt.

Verwandelt jedes LLM in ein Entscheidungsmodell: Typisierte Entscheidungen und kalibrierte Wahrscheinlichkeiten werden aus den Prefill-Verteilungen des nächsten Tokens gelesen, ganz ohne Training.

Ein offener, anbieterkompatibler Entscheidungs-Server auf Basis von DiffusionGemma.

Ein auf einem 2B-Modell aufbauendes Fine-Tuning, das typisierte Entscheidungen und kalibrierte Wahrscheinlichkeiten in einem Durchlauf liefert.

Macht lokale Sprachmodelle zu kompatiblen strukturierten Entscheidungs-Engines; alle drei Primitive entstehen durch reine Prefill-Binärinferenz.

Ein 0.6B-Nachbau für Agenten: unstrukturierten Zustand (Diffs, Traces, Logs) und strukturierte Fragen hineingeben und in einem Durchlauf von etwa 50 ms kalibrierte Verteilungen zurückbekommen, ohne Ausgabe-Tokens.

Eine kalibrierte nicht-autoregressive Entscheidungs-Engine mit 151M, die laut ihrem Autor auf einem öffentlichen Benchmark sowohl das Anbietermodell als auch Laya übertrifft: 77.10% Genauigkeit, 0.0636 Brier, 0.0144 ECE.

Ein didaktisches Inferenz-Experiment auf Apple Silicon: geteilter Kontext, direktes Bewerten von Kandidaten und lokale visuelle Demos.

Ein selbst gehosteter Drop-in-Ersatz.

Ein kleines offenes Entscheidungsmodell: Zustand plus typisierte Fragen, zurück kommen kalibrierte Wahrscheinlichkeiten.

Das offene Agent-Framework von Vercel, das das Entscheidungsmodell im experimentellen evaluate-Pfad als Standard-Evaluierungsmodell mitliefert.

Der offizielle Agent-Skill für Claude Code, Codex und kompatible Agenten: die Primitive, die Muster und wie man Evaluierungen aufbaut.

Ein Terminal-CLI von Vercel Labs, das das Entscheidungsmodell als Evaluierungsmodell für seinen Befehl evaluate ausführen kann.

Ein Proof-of-Concept-MCP-Server, um das Entscheidungsmodell mit MCP-Clients zu verbinden.

Ein MCP-Server in Go als einzelnes Binary, der typisierte Urteile für Claude Desktop, Claude Code und Codex bereitstellt.

Der offizielle Drop-in-Client-Ersatz: Du tauschst den Client aus, dahinter stehen OpenAI, Anthropic oder kompatible LLM-APIs — gedacht, um das Entscheidungsmodell und Chat-Modelle in derselben Evaluierung zu vergleichen.

Der offizielle TypeScript/JavaScript-Client, bei dem die Antworttypen erschlossen werden.

Der offizielle Python-Client, synchron und asynchron.

Eine Handelsentscheidung pro Monad-Block.

Ein Eingabefeld, das zu dem wird, was du meinst: ein Textfeld, das beim Tippen zur passenden UI wächst. Läuft auch offline.

Ein Workflow aus LLM plus Entscheidungsmodell. (Die öffentliche Beschreibung sagt nicht mehr als das.)

Ein CLI für aktives Lernen, das menschliche Labels und GEPA nutzt, um die Definition von Entscheidungen zu verbessern.

Beschreibe deine Startup-Idee, und es entscheidet: töten, reparieren oder starten.

Ein live laufender, entscheidungsgetriebener Trader auf Hyperliquid.