Jev يتفوق على Gemini 2.5 Flash Lite في جودة وسرعة تقييم المصنف
شغّل Malte Ubl نموذج Jev من TypeSafe AI على تقييم مصنف موجود، فحقق تشبعًا في الجودة وكان أسرع 6 مرات من Gemini 2.5 Flash Lite.
يشارك المؤلف تجربته الأولى مع Jev: تمرير 33,411 زوجًا لتحديد ما إذا كانت تصف الحدث نفسه، باستخدام الاحتمالات المُعادة كعتبات — أقل من 0.3 مختلف، و0.3–0.7 يُحال إلى LLM، وأعلى من 0.7 متطابق — مع الإشارة إلى نحو نصف الوقت.
איך עשיתי את זה עם Jev? (ניסיון ראשון) נתתי כל פעם זוג ולשאול האם מתארים את אותו הדבר, סה״כ אצלי 33,411 זוגות. הוא מחזיר הסתברות, אז הגדרתי טווח: - אם מתחת ל-0.3 - זה לא אותו אירוע - אם בין 0.3 ל0.7 - לא בטוח, נשלח ל-LLM להחליט - אם מעל 0.7 - זה אותו האירוע ובחצי מהמהירות