Lista de projetos

O agente ultrarrápido do Browser Use: o modelo de decisão escolhe a operação e o elemento do DOM numa única requisição, e um LLM pequeno só é chamado quando é preciso digitar texto.

Um copiloto de conversa no celular: lê a outra pessoa no WeChat, QQ, X ou Feishu, propõe respostas e preenche a caixa de texto — o envio continua manual. Ele só lê a tela, não faz hook nem altera o pacote.

Uso do computador no macOS: faz OCR da tela, classifica a próxima ação com o modelo de decisão e clica. O autor relata cerca de $0.0002 por passo.

Um conjunto de skills para agentes Hermes: roteamento de modelos, memória, compactação de contexto, seleção de skills e uso do computador ou do navegador — também instala no Claude Code e no Codex.

Deixa o modelo de decisão escolher o clique enquanto o Codex pensa e verifica — operações de navegador relatadas 5–10× mais rápidas.

Um agente que joga Super Mario Bros. a partir do estado estruturado do emulador em vez de pixels.

Um agente Android independente em que o modelo de decisão toma todas as decisões, com um estúdio ao vivo que mostra a telemetria das decisões.

Um overlay de detecção de intenção para o WeChat (macOS): leitura de tela e um modelo pequeno local para julgar intenção e risco, depois respostas candidatas — estritamente somente leitura, nada é injetado no WeChat.

Controlar um navegador real por voz: a intenção e o alvo são decididos em cerca de 300 ms por palavra falada, e o Playwright executa — muitas vezes antes de você terminar a frase.

Uso do navegador guiado pelo modelo de decisão.

Uma extensão de navegador que usa o modelo de decisão para encontrar e remover o que polui a página, com regras que podem ser salvas como modelos reutilizáveis.

Um ambiente de trabalho de decisão para robôs no MuJoCo.

Um drone autônomo só com câmera no MuJoCo, com a etapa de decisão rodando a 2.5 Hz.

Um plugin do Claude Code que substitui o resumo de compactação por decisões: cada chamada de ferramenta e seu resultado é pontuada em uma única requisição, o que está obsoleto é descartado ou truncado, e o que é mantido permanece literal.

Um supervisor de agentes que usa decisões para manter os agentes de código na tarefa.

Harnesses de decisão específicos de tarefa escritos por um LLM, com reflexão de recompensa sobre toda a trajetória e evolução por GEPA como opção.

Um plugin de decisão estruturada para harnesses de agentes: nativo no DeepSeek Harness e, via iPolloWork, também OpenCode e Codex Harness.

Um plugin do Claude Code que corta saídas longas do Bash antes que o modelo as veja.

Uma camada de decisão para o agente de código Pi: um portão de chamadas de ferramenta medido mais jev_ask para respostas tipadas e calibradas.

Guardrails para o Pi que orientam em vez de interromper: o modelo de decisão julga chamadas de ferramenta irreversíveis ou fora da tarefa, detecta loops travados e verifica conclusões declaradas mas não comprovadas.

Uma skill para escrever e melhorar programas que chamam o modelo de decisão.

Um fluxo de revisão de código por etapas, com um painel local.

Busca na web com o modelo de decisão: seleção de fontes, compreensão da consulta e ordenação por relevância.

Encaminha as tarefas do Claude Code para o modelo suficiente e mais barato, pedindo ao modelo de decisão que escolha entre os candidatos.

Uma extensão do PostgreSQL para fazer perguntas às suas tabelas em linguagem simples.

Roteamento turno a turno para o Codex: cada turno decide de novo o modelo, a profundidade de raciocínio e o modo de velocidade.

Um plugin MCP local-first para revisão contínua de qualidade de software por agentes de código.

Uma plataforma de análise de marketing que migrou um classificador de visibilidade de marca de um LLM para decisões booleanas, com troca controlada por feature flag.

Um roteador leve para modelos, ferramentas e subagentes.

Um CLI que analisa um repositório em um grafo de chamadas em nível de método e depois pede ao modelo de decisão que sinalize possíveis defeitos e verifique regras de projeto escritas em inglês simples.

Grep por significado em vez de padrão: cada linha recebe uma pontuação em relação a um significado, e os significados se combinam com AND / OR / NOT.

Percorre um grafo Neo4j salto a salto, classificando cada aresta de saída candidata, com beam search sobre as log-probabilidades da resposta.

ifs semânticos com modelos abertos, numa única 3090 em casa. Projeto independente, sem relação com o fornecedor.

Uma réplica de 0.6B: decisões paralelas sobre candidatos dinâmicos, sem decodificar nenhum token de saída, com o pipeline de treinamento de ponta a ponta.

Treine um modelo pequeno que escolhe numa lista de opções de texto que cresce e encolhe, com uma probabilidade por opção numa única passagem — com demos de Doom, xadrez e Wikispeedia.

Um modelo não autorregressivo de 395M que responde perguntas tipadas com probabilidades calibradas em menos de 15 ms, pensado como substituto direto local.

Transforme qualquer modelo aberto em um classificador ou em um endpoint compatível.

Transforma qualquer LLM em um modelo de decisão: as decisões tipadas e as probabilidades calibradas são lidas das distribuições de prefill do próximo token, sem treinamento.

Um servidor de decisões aberto e compatível com o fornecedor, sobre o DiffusionGemma.

Um ajuste fino de um modelo 2B que produz decisões tipadas e probabilidades calibradas numa única passagem.

Adapta modelos de linguagem locais para motores de decisão estruturada compatíveis, com as três primitivas produzidas por inferência binária apenas com prefill.

Uma réplica de 0.6B voltada a agentes: forneça estado não estruturado (diffs, traces, logs) e perguntas estruturadas e receba distribuições calibradas numa única passagem de cerca de 50 ms, sem tokens de saída.

Um motor de decisão não autorregressivo calibrado de 151M que, segundo o autor, supera ao mesmo tempo o modelo do fornecedor e o Laya num benchmark público: 77.10% de precisão, 0.0636 de Brier, 0.0144 de ECE.

Um experimento educacional de inferência no Apple Silicon: contexto compartilhado, pontuação direta dos candidatos e demos visuais locais.

Um substituto direto auto-hospedado.

Um pequeno modelo de decisão aberto: estado mais perguntas tipadas, e probabilidades calibradas de volta.

O framework de agentes aberto da Vercel, que traz o modelo de decisão como modelo de avaliação padrão no seu caminho experimental evaluate.

A skill oficial para Claude Code, Codex e agentes compatíveis: as primitivas, os padrões e como estruturar avaliações.

Um CLI de terminal da Vercel Labs que pode executar o modelo de decisão como modelo de avaliação do seu comando evaluate.

Um servidor MCP de prova de conceito para conectar o modelo de decisão a clientes MCP.

Um servidor MCP em Go de binário único que expõe julgamentos tipados ao Claude Desktop, Claude Code e Codex.

O substituto direto do cliente oficial: você troca o cliente e, por trás, ele se conecta à OpenAI, à Anthropic ou a APIs de LLM compatíveis — serve para comparar o modelo de decisão com modelos de chat na mesma avaliação.

O cliente oficial de TypeScript/JavaScript, com tipos de resposta inferidos.

O cliente oficial de Python, nas versões síncrona e assíncrona.

Uma decisão de trading a cada bloco da Monad.

Uma entrada que vira o que você quer dizer: uma caixa de texto que se transforma na interface certa conforme você digita. Funciona offline.

Um fluxo de trabalho de LLM + modelo de decisão. (A descrição pública não vai além disso.)

Um CLI de aprendizado ativo que usa rótulos humanos e GEPA para melhorar como as decisões são definidas.

Descreva sua ideia de startup e ele decide: matar, consertar ou lançar.

Um trader em tempo real guiado por decisões na Hyperliquid.