Jeeves es un clasificador de estilo Jev de 9 mil millones de parámetros basado en Qwen3.5-9B, diseñado para mejorar la precisión en tareas de decisión mediante un proceso de razonamiento previo. A diferencia de los modelos Jev tradicionales, que ofrecen probabilidades calibradas pero con baja precisión, Jeeves utiliza un 'drafter' de difusión de bloque-4 y técnicas de entrenamiento como SFT y CISPO para generar cadenas de razonamiento antes de emitir una respuesta. Esta arquitectura permite al modelo pensar antes de decidir, lo que resulta en un rendimiento superior en tareas fuera de dominio y en benchmarks públicos, superando a Kev-9B y al modelo original Jev en métricas clave como JevBench (0.935 frente a 0.866) y pruebas de transferencia (0.746 frente a 0.800).
El sistema soporta tres tipos de preguntas: binarias (noul), de opción múltiple (choice) y de puntuación (score), todo en una sola solicitud a través de una API compatible con Jev. En términos de rendimiento, la inferencia sin razonamiento tarda aproximadamente 0.3 segundos, mientras que con razonamiento activo la latencia media es de 3.3 segundos en una GPU H100, aunque puede optimizarse truncando la longitud de la cadena de razonamiento. Jeeves opera en CUDA con soporte para kernels FP8, lo que facilita su despliegue en infraestructuras de alto rendimiento. El proyecto incluye un SDK de reemplazo directo para el SDK de Python de Jev, permitiendo a los desarrolladores integrar el razonamiento en sus pipelines existentes sin cambios significativos en el código. La instalación requiere Python 3.12 y una GPU CUDA, y el modelo está disponible para su descarga y servicio local.