Jev を 25 行の Python で実装する
## Japanese Translation:
このプロジェクトは、Jev の簡素化されたローカル Python 実装であり、軽量な Qwen3-0.6B-GGUF モデルを電子メールの脅威検出に使用します。外部 API を使用せずに高度なセキュリティタスクを実行できることを示しています。Python >=3.12、llama-cpp-python、huggingface-hub、numpy などの依存関係で動作し、A、B、C の 3 つの選択肢をラベル（Legitimate、Spam、Phishing）にマッピングしたプロンプトをロードします。入力例として、給与に関するフィッシング電子メールについて記述し、非企業サインインページでの認証情報の要求を示すものは、0.031 の確率で Legitimate、0.084 の確率で Spam、0.885 の確率で Phishing と分類されます。API 呼び出しや RLCD（強化学習に基づく校正）を回避することで、機密データを完全にローカルに保持し、「NobodyWho」の哲学に沿い、OpenJev、OpenJev-sglang、および DiffusionGemma 上の OpenJev のような他のオープン実装と並んでいます。2026 年 9 月 22 日に Duarte O.Carmo によって発表されたこの作業は、軽量な LLM が重厚なインフラストラクチャや商業的依存関係に依存せず、ユーザーのハードウェア上で直接高信頼性の脅威分類を交付することを示しています。
## Text to translate:
The project presents a streamlined, local Python implementation of Jev that uses the lightweight Qwen3-0.6B-GGUF model for email threat detection, demonstrating that advanced security tasks can be performed without external APIs. Running on Python >=3.12 with dependencies such as llama-cpp-python, huggingface-hub, and numpy, the system loads a prompt offering three choices (A, B, C) mapped to labels: Legitimate, Spam, and Phishing. An example input—describing a phishing email about payroll requesting credentials on a non-company sign-in page—is classified with calculated probabilities of 0.031 for Legitimate, 0.084 for Spam, and 0.885 for Phishing. By avoiding API calls and reinforcement learning–based calibration (RLCD), the setup keeps sensitive data entirely local, aligning with the "NobodyWho" philosophy and standing alongside other open implementations like OpenJev, OpenJev-sglang, and OpenJev on DiffusionGemma. Published on September 22, 2026, by Duarte O.Carmo, this work shows that lightweight LLMs can operate independently of heavy infrastructure or commercial dependencies while still delivering high-confidence threat classification directly on user hardware.
