Wikipedia Link Rennen: Auswahl aus Tausenden Optionen
Das Modell wählt den nächsten Schritt aus Hunderten oder Tausenden Links und zeigt schnelle Entscheidungen mit eingeschränkten Ausgaben. Der Post enthält ein 4:04 Video.
Jev-Reranking-Vergleich: Evidenzabdeckung und MRR-Gewinne
Analyse von 36 Suchanfragen über 3 Wissenssammlungen, bei der das ursprüngliche Ranking mit Jev von TypeSafe AI auf identischen Kandidatensets verglichen wurde. Die Evidenzabdeckung@10 stieg von 83,3 % auf 91,7 %.
What does reranking buy you when the candidates stay the same? We reanalyzed 36 retrieval queries across 3 knowledge collections, comparing the original ranking with Jev from @typesafeai on identical candidate sets. • Evidence coverage@10: 83.3% → 91.7% • MRR@10: 0.647 →
· 1 likesOpen on X
More like this
Anwendungsfall für semantische Abfragen mit Jev und TypeSafe AI
Nathan LeClaire teilt einen Anwendungsfall für semantische Abfragen mit Jev und TypeSafe AI und merkt an, dass man erst an der Oberfläche kratzt.
Ein Live-BS-Meter für die Trump-vs-Kamala-Debatte mit Jev erstellen
Der Autor nutzte Jev, um einen Live-BS-Meter auf jeden Satz der Trump-vs-Kamala-Debatte anzuwenden, mit 5 Ja/Nein-Fragen pro Kandidat, insgesamt 1.191 Jev-Aufrufe, 1,18 Mio. Tokens, 415 ms Median-Latenz und Gesamtkosten von 0,0497 $.
