它是什么
一个可审计的研究项目，针对中文社交平台上图文结合的内容做风险识别。
它做什么： 在本地运行 4 位量化的 Qwen3-VL-32B（只在语言侧做 LoRA），输出严格的七字段 JSON 标签和证据，去掉标签和标识符后，请 Jev 按固定政策做决策，映射到风险分段交给人工复核。同时运行 TF-IDF 基线，可以用“任一路报阳性”的规则组合。
为什么收进案例库： 它把 Jev 放进一条更大的审核流程里，并公开了负面结果：在冻结的测试集上，Jev 方案没有超过强文本基线。
注意： 测试集小，只有一个标签，没有公开数据或权重。
证据
公开的 MIT 许可 README（中文，附英文版）；冻结的 170 条测试集（数据集厌女标签阳性 47 条）；测试 Macro-F1 最高的是 TF-IDF + 逻辑回归，90.36%；预先指定的“文本 OR 多模态 + Jev”方案为 87.25%，低于文本基线；验证集上 t=0.40 时，纯文本 Jev 为 69.42%，LoRA 图文证据 + Jev 为 84.25%；发给 Jev 的只有转录和六个证据字段。
注意
- 测试集规模小；正类只是数据集里的一个标签（厌女），不代表全部内容风险
- 指标是作者实验日志中的汇总；公开仓库没有重新执行 GPU 或云端评测，也没有公开数据集、逐条预测或模型权重
- 不是自动删帖系统；这里的 Jev 结果依赖 Qwen 证据，不是纯 Jev 基线
非官方案例页。热度用观察到的 stars / 列表位次；热度不是质量 SLA。依赖前请阅读上游 README。