▲РЕПО НЕТ В ОКНЕ 180D. ПОКАЗАН FINDING ИЗ ОКНА 3D (3 days) — РАНГ #458.
FINDING #458 · UNIT ID 1393229560
firelex/jeff
Millisecond decisions, any domain: a 0.8B open "System 1" model that picks between your options with calibrated probabilities. One base, swappable LoRA adapters, on your own hardware.
SURPRISE SCORE
0.00
Score Breakdown
SCORE = SURPRISE × ENGAGEMENT^0.7 × FRESHNESS × VISIBILITY × CONFIDENCE
SURPRISE = WINDOW STARS / DAYS / (AUDIENCE + FLOOR)
5% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
24.33
ACCEL
+0.50
RETENTION
0.0%
PEAK 2026-10-08 · FORK-RETENTION 0.0% · 73 STARS / WINDOW
Author Audience
AUDIENCE
179
FOLLOWERS
20
OWNER ★
1,585
Engagement Signals
FORKS
71
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 73 / 73 (DIVERSITY 1.00)
Потенциал заработка
C50/100
СПРОС78
Деньги в теме есть: support automation, guardrails/security, routing и NLP/text classification — крупные растущие смежные рынки; бизнес уже платит за resolutions, moderation и LLM infrastructure.
ЗАХВАТ38
Главное слабое место: идею быстрого classifier-before-LLM легко повторить крупным vendors и OSS-форкам, а MIT снижает защиту без proprietary adapters/data/product layer.
ДОСТУП72
Код MIT можно коммерчески использовать, self-hosting практически возможен. Но проект очень молод, bus factor около 2, а лицензии весов, adapters и datasets надо проверять отдельно.
«Заработать можно, но потенциал топит слабый capture без proprietary adapters, evals и enterprise-упаковки.»
Рыночный анализ · Обзор
Jeff — маленькая локальная AI-модель и Python-сервер, который очень быстро выбирает один из заданных вариантов и возвращает вероятности.
AI infrastructure / NLP classification / LLM guardrails / agent decision layer / model routingЗРЕЛОСТЬ · ЭКСПЕРИМЕНТ
ЯЗЫК
Python
ЛИЦЕНЗИЯ
MIT
РЕЕСТР
pypi
РЕЛИЗ
v1.2
КОНТРИБЬЮТОРЫ
2
УСТАНОВКА: pip install jeff
Что делает
Jeff делает “System 1”-решения: классифицирует, маршрутизирует, фильтрует или выбирает инструмент за миллисекунды/десятые секунды. Вместо генерации текста он возвращает структурированный выбор, вероятность по каждому варианту и confidence. LoRA-адаптеры позволяют дообучать модель под отдельные домены вроде guardrails, support triage, tool choice или legal clauses.
Какую боль решает
Решает боль дорогих и медленных LLM-вызовов для простых, частых и бизнес-критичных решений, где большой модели не нужно писать текст или рассуждать много шагов.
Сценарии использования
- Customer support routing: определить очередь, интент, срочность или sentiment тикета до передачи агенту или большому LLM.
- AI agent guard / prompt-injection detection: быстро отсеивать jailbreak и prompt injection перед основным агентом.
- Tool choice для AI agents: выбрать, какой инструмент вызвать — CRM, refund API, search, database или human handoff.
- Grounding / answer verification: проверить, поддержан ли ответ источниками.
- Spam / phishing / moderation: классифицировать сообщения локально и дёшево.
Целевой пользователь
ML/AI-инженеры, команды customer support automation, разработчики AI agents и платформенные команды, которым важны latency, cost, privacy и self-hosting.
Open-source аналоги
Ближайший предок/recipe: 27B Qwen decision model, тяжелее и требует около 49 GiB BF16 weights; Jeff меньше и проще для локального деплоя.
Jev-style typed-decision model с поддержкой изображений; Jeff текстовый и меньше.
Инструмент fine-tune typed-decision models на Mac; больше studio/tooling, чем базовая модель.
Framework для валидаторов и guardrails вокруг LLM, а не маленькая one-pass decision-модель.
Programmable guardrails для conversational systems и enterprise/NVIDIA-экосистема; шире и зрелее guardrails-фреймворк.
Few-shot text classification через Sentence Transformers; не Jev-style API и не option-probability readout.
Structured outputs / constrained generation, а не one-pass classifier.
Позиционирование
Jeff не лидер общего guardrails/structured-output OSS-рынка, где сильнее Guardrails AI, NeMo Guardrails и Outlines. Но в узкой нише open, local, small Jev-style typed-decision models он выглядит одним из самых заметных новых игроков: нишевый early leader в очень молодой подкатегории.
Коммерческие аналоги
Hosted “System One” typed decision API; прямой концептуальный аналог, с которым Jeff заявляет совместимость по request format.
Самый важный прямой конкурент по концепции, но коммерческие цифры и pricing не подтверждены в собранных данных.
Универсальные LLM-вызовы, structured outputs, safety classifiers и agent workflows; может решать classification/routing задачи как substitute.
Очень сильный developer-default substitute, но не локальный и не специализированный под миллисекундные decisions.
gpt-6-luna$0.20 input / $1.00 output за 1M tokens
gpt-6.1-sol$4 input / $20 output за 1M tokens
gpt-6-astra$20 input / $100 output за 1M tokens
LLM reasoning, classification, tool choice и agent workflows.
Сильный substitute для quality-first решений, но latency/cost выше для массовых micro-decisions.
Claude Sonnet 5$2 input / $10 output за MTok
Claude Sonnet 4.6 / 4.5$3 input / $15 output за MTok
LLM API, classification, grounding и multimodal decisions.
Hyperscaler channel с сильным enterprise access.
Gemini 3 Flash Preview$0.25 input / $1.50 output за 1M tokens
Gemini 3.5 Flash-Lite$0.15 input / $1.25 output за 1M tokens
Managed guardrails: content filters, denied topics, sensitive info, contextual grounding и prompt attack checks.
Прямой конкурент для guard/spam/grounding adapters, но не general option-picker.
Content filters / denied topics$0.15 за 1k text units
Sensitive info$0.10 за 1k text units
Contextual grounding$0.10 за 1k text units
InvokeGuardrailChecks prompt attack$0.08 за 1k text units
Text/image safety moderation, prompt shields, groundedness и protected material detection.
Сильный enterprise default для Microsoft/Azure клиентов; численная Standard-цена в собранных данных не подтверждена.
Free5,000 text records/month и 5,000 images/month
Standardper 1,000 text records/images; численная цена не подтверждена
Entity/sentiment/content classification и text moderation.
Старый managed NLP substitute для классификации.
Content Classification free tier0–30k units free
Content Classification paid tiers$2.00 за 1,000-character unit до 250k, далее $0.50 и $0.10 tiers
Text Moderation free tier0–50k free
Text Moderation paid tiers$5.00 за 100-character unit tier и ниже на больших объёмах
Custom NLP classification, toxicity и prompt safety.
Ближайший классический cloud-аналог для custom classifiers.
Training$3/hour
Model management$0.50/month
Sync endpoint1 IU = $0.0005/sec
Async custom classification example$0.0005/unit
AI customer support agent, который отвечает и закрывает обращения.
Показательный pricing benchmark: бизнес платит за outcome, не за tokens.
Resolution$0.99 за resolution
Monthly subscriptionот $49/month; первые 50 monthly resolutions включены
AI agents для messaging/email/voice, автоматические resolutions, triage и routing.
Сильный customer-support incumbent; pricing показывает willingness to pay за routing/resolution.
Support Team$19 per agent/month annual
Suite Team$55 per agent/month annual
Suite Professional$115 per agent/month annual
Pay-as-you-go automated resolutions$2.00 per automated resolution
Committed automated resolutions$1.50 per automated resolution
Observability, evals, deployment и lifecycle для LLM/agent apps.
Не classifier, но коммерчески близкий dev-platform: продаёт productionization of agents.
Developer$0/seat
Plus$39/seat/month
Enterprisecustom
LSU$1.00
Текущая монетизация проекта
Надёжного признака монетизации Jeff сейчас нет. Входные данные дают homepage jeffhub.ai, PyPI-install и MIT-лицензию; README говорит о community preview, adapters, docs/results, но не о pricing. Поиск нашёл сторонний registry, где Jeff указан как free, но это не официальный источник. Вывод: скорее hobby / community preview; GitHub Sponsors, open-core, cloud, pricing или paid support tiers для Jeff не подтверждены.
Коммерческий потенциал
ПОТЕНЦИАЛ · СРЕДНИЙ
Jeff как библиотека сам по себе — не бизнес. Коммерческий шанс появляется при упаковке в on-prem decision layer для AI agents с отраслевыми adapters, evals, интеграциями и enterprise support.
Спрос и рынок
Спрос подтверждён смежными рынками: NLP/text classification, AI customer service и AI security/guardrails растут и уже имеют платёжеспособных покупателей. Market-report оценки нужно считать направляющими, не аудированными: они подтверждают порядок величины и рост, но не гарантируют TAM конкретно для Jeff.
Ров / защищённость
Сейчас ров слабый. Он может появиться через proprietary или community-validated adapters, публичные reproducible evals, реальные production deployments, benchmark лидерство в latency/cost/accuracy, tooling для безопасной подготовки данных и бренд “fast local decisions before LLM”. Без этого Jeff легко станет ещё одним open classifier/adapter kit.
Модели монетизации
- Enterprise adapter packs для support triage, prompt-injection/security, legal clauses, financial compliance, healthcare intake и marketplace trust & safety.
- Managed on-prem / private cloud appliance: Jeff Gateway перед LLM с локальным inference, metrics, thresholds, fallback to GPT/Claude/Gemini и audit logs.
- Fine-tuning / calibration service: клиент приносит размеченные примеры, поставщик обучает LoRA adapter, проверяет leakage/shortcuts и выдаёт QA report.
- Support/SLA для regulated enterprise: security review, reproducible builds, model cards и compliance artifacts.
- Usage-based hosted API для ultra-cheap routing/classification, хотя конкуренция с hyperscalers высокая.
- Vertical SaaS поверх Jeff: AI support router для Zendesk/Intercom, contract clause classifier или agent tool-choice guard.
Что нужно, чтобы сделать продукт
- Независимые бенчмарки и customer case studies.
- Чёткая license matrix для code, model weights, adapters и datasets.
- Production docs: scaling, latency under load, monitoring, rollback и model versioning.
- Security posture: supply-chain, model provenance и evals против adversarial inputs.
- Admin UI: thresholds, adapter registry, audit logs и drift monitoring.
- Интеграции: Zendesk, Intercom, Salesforce, LangSmith, OpenTelemetry, Bedrock/OpenAI/Anthropic fallback.
- Enterprise packaging: Docker images, Helm chart, Terraform и SOC2 roadmap.
⚖ ЛИЦЕНЗИЯ · МОЖНО ЛИ КОММЕРЦИАЛИЗИРОВАТЬ
Repo license: MIT — коммерческое использование кода свободно при сохранении copyright/license notice. Но модельные веса, adapters и датасеты могут иметь отдельные лицензии; перед коммерческим продуктом надо отдельно проверить base model license, Jeff weights license на Hugging Face, adapter weights license, public dataset licenses и synthetic data provenance.
Риски и подводные камни
ВЫСОКИЙСЛАБЫЙ РОВ
Большие vendors могут встроить дешёвые classifiers/guardrails в свои AI platforms, а OSS-конкуренты могут повторить подход.
ВЫСОКИЙЗАВИСИМОСТЬ ОТ АВТОРА
Проекту меньше недели по входным данным, 2 контрибьютора, нет истории поддержки, production incidents или security process.
ВЫСОКИЙЛИЦЕНЗИЯ
Repo MIT, но коммерческое использование весов, adapters и datasets надо проверять отдельно на Hugging Face и в data-sources; MIT для кода не покрывает автоматически веса.
СРЕДНИЙПРОЧЕЕ
README даёт сильные benchmark-цифры, но в основном self-reported; для enterprise нужны независимые evals и воспроизводимость.
СРЕДНИЙЮР. СЕРАЯ ЗОНА
Ошибки guard/spam/legal/grounding могут стоить денег и репутации; нужны human fallback, thresholds и audit logs.
СРЕДНИЙКОНКУРЕНЦИЯ
Покупатель может не понимать, чем Jeff лучше простого вызова GPT/Claude/Gemini с JSON schema.
СРЕДНИЙПРОЧЕЕ
PyTorch/Transformers/MLX/CUDA, GPU/Apple Silicon, model downloads и adapter version incompatibility создают friction для adoption.
Достоверность разбора
УВЕРЕННОСТЬ · СРЕДНЯЯgpt-5.5 · 2026-10-02 · ОКНО 3D
Оговорки / что не проверено
- Значительная часть сведений о Jeff взята из README и входных фактов воронки; независимая проверка benchmark-результатов и production adoption не проводилась.
- Цены коммерческих аналогов перенесены из собранного разбора и не перепроверялись повторно; часть цен может быть preview/региональной/условной.
- Для TypeSafe Jev публичная цена, масштаб и коммерческие метрики не подтверждены.
- Для Jeff не подтверждены официальные paid tiers, Sponsors, cloud offering или support plans; вывод о hobby/community preview основан на отсутствии pricing в собранных данных.
- Лицензии model weights, LoRA adapters, Hugging Face артефактов и датасетов не проверены отдельно; MIT относится к repo code по входным данным.
- Звёзды OSS-аналогов взяты из собранного разбора и могут быть приблизительными или устаревшими.
- Market-size оценки NLP, AI customer service и AI security/TRiSM взяты из собранного анализа как направляющие market-report числа; они не подтверждены двумя независимыми источниками в этом ответе.
- Сегментация commercial analogs как прямых или смежных конкурентов частично аналитическая: многие продукты являются substitutes, а не точными аналогами one-pass option-picker.
- Оценки demand/capture/access являются экспертным выводом на основе собранного разбора, а не измеренной финансовой метрикой.
ИСТОЧНИКИ (40)
Why This Is A Finding
firelex/jeff собрал 73 звёзд за окно, тогда как у автора всего 20 подписчиков — эффективная аудитория ≈ 179. Это даёт surprise-индекс 0.11 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 0.0% и 0 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация положительная — рост ещё не выдохся.
Related Findings
RANKS ABOVE 95% OF 9158 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 9158 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.040.00+0.04ABOVE 95%
VELOCITY24.335.67+18.67ABOVE 88%
RETENTION0.0%35.7%-35.7 PPABOVE 0%
FORKS71324-253ABOVE 25%
SURPRISE0.110.00+0.11ABOVE 94%