Список проектов

Сверхбыстрый агент Browser Use: модель принятия решений выбирает и действие, и элемент DOM в одном запросе, а небольшая LLM вызывается только тогда, когда нужно ввести текст.

Диалоговый копилот на телефоне: понимает собеседника в WeChat, QQ, X или Feishu, предлагает варианты ответа и вписывает их в поле ввода — отправку решаете вы. Только читает экран, ничего не хукает и не меняет пакет.

Управление компьютером на macOS: OCR экрана, классификация следующего действия моделью принятия решений, клик. Заявлено около $0.0002 за шаг.

Набор навыков для агентов Hermes: маршрутизация моделей, память, сжатие контекста, выбор навыков, работа с компьютером и браузером — также устанавливается в Claude Code и Codex.

Позволяет модели принятия решений выбирать клик, пока Codex размышляет и проверяет — по сообщению автора, операции в браузере в 5–10× быстрее.

Агент, который играет в Super Mario Bros., используя структурированное состояние эмулятора, а не пиксели.

Автономный агент под Android, где каждое решение принимает модель принятия решений, с живой студией, показывающей телеметрию решений.

Оверлей распознавания намерений для WeChat (macOS): чтение экрана плюс небольшая локальная модель для оценки намерения и риска, затем варианты ответа — строго только чтение, ничего не внедряется в WeChat.

Управление настоящим браузером голосом: намерение и цель определяются примерно за 300 мс на каждое произнесённое слово, затем действует Playwright — часто до того, как вы закончите фразу.

Работа с браузером под управлением модели принятия решений.

Расширение браузера, которое с помощью модели принятия решений находит на странице лишнее и убирает это, с переиспользуемыми правилами-шаблонами.

Стенд для принятия решений роботами в MuJoCo.

Автономный дрон только с камерой в MuJoCo, где шаг принятия решений работает на 2.5 Hz.

Плагин для Claude Code, заменяющий сжатие в сводку решениями: каждый вызов инструмента и его результат оцениваются в одном запросе, устаревшее отбрасывается или усекается, а оставшееся сохраняется дословно.

Надзиратель за агентами, который с помощью решений удерживает агентов-программистов на задаче.

LLM пишет harness принятия решений под конкретную задачу, с опциональной рефлексией вознаграждения по всей траектории и эволюцией через GEPA.

Плагин структурированных решений для harness-ов агентов: нативно для DeepSeek Harness, а через iPolloWork — также для OpenCode и Codex Harness.

Плагин для Claude Code, который обрезает длинный вывод Bash ещё до того, как модель его увидит.

Слой принятия решений для агента-программиста Pi: измеренный шлюз для вызовов инструментов плюс jev_ask для типизированных и калиброванных ответов.

Ограничители для Pi, которые направляют, а не прерывают: модель принятия решений судит необратимые и вышедшие за рамки задачи вызовы инструментов, обнаруживает застрявшие циклы и проверяет неподтверждённые заявления о завершении.

Навык о том, как писать и улучшать программы, вызывающие модель принятия решений.

Поэтапный рабочий процесс ревью кода с локальной панелью.

Веб-поиск с моделью принятия решений: выбор источников, понимание запроса и ранжирование по релевантности.

Направляет задачи Claude Code в достаточно способную и самую дешёвую модель, заставляя модель принятия решений выбирать среди кандидатов.

Расширение PostgreSQL для вопросов к вашим таблицам на простом языке.

Маршрутизация для Codex по ходам: каждый ход заново выбирает модель, глубину размышления и режим скорости.

Local-first MCP-плагин для непрерывного ревью качества ПО агентами-программистами.

Платформа маркетинговой аналитики, которая перевела классификатор видимости бренда с LLM на булевы решения, с переключением через feature flag.

Лёгкий маршрутизатор для моделей, инструментов и субагентов.

CLI, который разбирает репозиторий в граф вызовов на уровне методов, а затем просит модель принятия решений отметить вероятные дефекты и проверить правила проекта, написанные простым английским.

Grep по смыслу, а не по шаблону: каждая строка оценивается на соответствие смыслу, а смыслы комбинируются через AND / OR / NOT.

Проходит по графу Neo4j шаг за шагом, классифицируя каждое исходящее отношение-кандидат, с beam search по лог-вероятностям ответа.

Семантические if на открытых моделях, на одной 3090 дома. Независимый проект, не связан с вендором.

Реплика на 0.6B: параллельные решения по динамическим кандидатам, без генерации выходных токенов, с полным обучающим пайплайном.

Обучите небольшую модель, которая выбирает из меняющегося списка текстовых вариантов, по одной вероятности на вариант за один проход — с демо Doom, шахмат и Wikispeedia.

Неавторегрессионная модель на 395M, отвечающая на типизированные вопросы с калиброванными вероятностями менее чем за 15 ms, задуманная как локальная замена без изменений.

Превращает любую открытую модель в классификатор или в совместимый эндпоинт.

Превращает любую LLM в модель принятия решений: типизированные решения и калиброванные вероятности читаются из prefill-распределений следующего токена, без обучения.

Открытый сервер принятия решений, совместимый с вендором, на основе DiffusionGemma.

Дообучение модели 2B, дающее типизированные решения и калиброванные вероятности за один проход.

Адаптирует локальные языковые модели в совместимые движки структурированных решений, где все три примитива получены бинарным выводом только по prefill.

Реплика на 0.6B для агентов: подайте неструктурированное состояние (diff, трассировки, логи) и структурированные вопросы — получите калиброванные распределения за один проход примерно на 50 ms, без выходных токенов.

Калиброванный неавторегрессионный движок решений на 151M, который, по словам автора, обгоняет сразу и модель вендора, и Laya на публичном бенчмарке: точность 77.10%, Brier 0.0636, ECE 0.0144.

Учебный эксперимент с инференсом на Apple Silicon: общий контекст, прямая оценка кандидатов и локальные визуальные демо.

Самостоятельно размещаемая замена без изменений.

Небольшая открытая модель принятия решений: состояние плюс типизированные вопросы — на выходе калиброванные вероятности.

Открытый агентный фреймворк от Vercel, который поставляет модель принятия решений как модель оценки по умолчанию в экспериментальном пути evaluate.

Официальный навык для Claude Code, Codex и совместимых агентов: примитивы, паттерны и как строить оценки.

Терминальный CLI от Vercel Labs, который может запускать модель принятия решений как модель оценки для команды evaluate.

MCP-сервер в качестве proof-of-concept для подключения модели принятия решений к MCP-клиентам.

Однобинарный MCP-сервер на Go, открывающий типизированные суждения для Claude Desktop, Claude Code и Codex.

Официальная прямая замена клиента: вы меняете клиент, а за ним подключаются OpenAI, Anthropic или совместимые LLM-API — чтобы сравнивать модель принятия решений и чат-модели в одной оценке.

Официальный клиент TypeScript/JavaScript с выводимыми типами ответа.

Официальный клиент Python, синхронный и асинхронный.

Одно торговое решение на каждый блок Monad.

Поле ввода, которое становится тем, что вы имеете в виду: текстовое поле, превращающееся по мере набора в нужный интерфейс. Работает офлайн.

Рабочий процесс «LLM + модель принятия решений». (Публичное описание на этом заканчивается.)

CLI для активного обучения, который использует человеческую разметку и GEPA, чтобы лучше определять решения.

Опишите свою идею стартапа — и он решит: убить, починить или запустить.

Торговый бот на Hyperliquid, работающий вживую на основе решений.