Lista de projetos

O agente ultrarrápido do Browser Use: o modelo de decisão escolhe ao mesmo tempo a operação e o elemento do DOM num único pedido, e um LLM pequeno só é chamado quando é preciso escrever texto.

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

Uso do computador no macOS: faz OCR do ecrã, classifica a ação seguinte com o modelo de decisão e clica. O autor indica cerca de $0.0002 por passo.

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

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

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

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

Uma sobreposição de deteção de intenção para o WeChat (macOS): leitura do ecrã e um modelo pequeno local para avaliar intenção e risco, depois respostas candidatas — estritamente só de 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 dita, e o Playwright executa — muitas vezes antes de terminares a frase.

Uso do navegador orientado pelo modelo de decisão.

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

Uma bancada de decisão para robôs no MuJoCo.

Um drone autónomo apenas com câmara em MuJoCo, com a etapa de decisão a correr a 2.5 Hz.

Um plugin do Claude Code que substitui o resumo de compactação por decisões: cada chamada de ferramenta e o respetivo resultado são avaliados num único pedido, o que está obsoleto é descartado ou truncado, e o que é mantido permanece à letra.

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

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

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

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

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

Guardrails para o Pi que orientam em vez de interromper: o modelo de decisão avalia chamadas de ferramenta irreversíveis ou fora da tarefa, deteta ciclos presos e verifica declarações de conclusão 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.

Pesquisa 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 tuas tabelas em linguagem simples.

Encaminhamento turno a turno para o Codex: em cada turno volta a decidir o modelo, a profundidade de raciocínio e o modo de velocidade.

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

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

Um router leve para modelos, ferramentas e subagentes.

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

Grep por significado em vez de padrão: cada linha é pontuada em relação a um significado, e os significados combinam-se 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 a partir de modelos abertos, numa única 3090 em casa. Independente, sem ligação ao fornecedor.

Uma réplica de 0.6B: decisões em paralelo sobre candidatos dinâmicos, sem descodificar qualquer token de saída, com o pipeline de treino de ponta a ponta.

Treina 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 a perguntas tipadas com probabilidades calibradas em menos de 15 ms, pensado como substituto direto local.

Transforma qualquer modelo aberto num classificador ou num endpoint compatível.

Transforma qualquer LLM num modelo de decisão: as decisões tipadas e as probabilidades calibradas são lidas das distribuições de prefill do token seguinte, sem treino.

Um servidor de decisões aberto e compatível com o fornecedor, assente em 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 destinada a agentes: dá-lhe estado não estruturado (diffs, traces, logs) e perguntas estruturadas e recebes 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.

Uma experiência educativa de inferência em Apple Silicon: contexto partilhado, pontuação direta dos candidatos e demos visuais locais.

Um substituto direto auto-alojado.

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

O framework de agentes aberto da Vercel, que inclui o modelo de decisão como modelo de avaliação predefinido no seu percurso experimental evaluate.

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

Uma 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 ligar o modelo de decisão a clientes MCP.

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

O substituto direto do cliente oficial: trocas o cliente e, por trás, liga-se 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 se torna naquilo que queres dizer: uma caixa de texto que se transforma na interface certa à medida que escreves. Funciona offline.

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

Uma CLI de aprendizagem ativa que usa rótulos humanos e GEPA para melhorar a forma como as decisões são definidas.

Descreve a tua ideia de startup e ele decide: matar, corrigir ou lançar.

Um trader em tempo real guiado por decisões na Hyperliquid.