Jev im Vergleich zu textgenerierenden Modellen
Jev erzeugt keinen freien Text. Ein Vergleichsvideo zeigt den Unterschied zwischen paralleler Entscheidungsfindung und tokenweiser Texterzeugung.
Diskussion über die Grenzen von Jev
Der Autor argumentiert, dass Jev keine Bildanalyse-Aufgaben bewältigen kann, da zunächst ein Modell Metadaten extrahieren muss, bevor im Datensatz gesucht wird, und empfiehlt eine Embedding-Datenbank.
Jev is the perfect example of a useless use case This is impossible to make with Jev; you need a model that analyzes the image, defines metadata, then Jev can "find the best match" in a data set But the best and scalable way is to use an embedding database
· 2 likesOpen on X
More like this
Preise, Evaluationen und der Name Jev
Der Launch Thread erklärt Code plus AI Workflow Evaluationen, den angekündigten Eingabepreis und kostenlose Ausgabetokens.
Jev-Modell: Wahrscheinlichkeitsgenerierung für Entscheidungen, 200× schneller und 400× günstiger als LLMs
Dieses Modell ist für Entscheidungsfindung statt Textgenerierung konzipiert und gibt Wahrscheinlichkeiten für jede Option parallel aus, anstatt Antworten Token für Token zu liefern. Der Autor zeigt ein vereinfachtes Beispiel für normale LLMs im Vergleich zu diesem Jev-Modell.
