Jev im Vergleich zu textgenerierenden Modellen
Jev erzeugt keinen freien Text. Ein Vergleichsvideo zeigt den Unterschied zwischen paralleler Entscheidungsfindung und tokenweiser Texterzeugung.
Jev nutzt einen einzelnen Vorwärtsdurchlauf für Multitask-Klassifikation und kann semantische Klassifikations-LLMs ersetzen
Der Beitrag interpretiert die Decoder-Ausgabe von Jev: Statt autoregressiver Vorhersage des nächsten Tokens führt sie in einem einzelnen Vorwärtsdurchlauf eine Multitask-Klassifikation durch. Dadurch kann sie für semantische Klassifikation eingesetzt und ein bestehendes LLM direkt ersetzen, was semantisches Informationsrouting ermöglicht.
#Jev、デコーダーからの出力を、自己回帰的な次単語予測するんじゃなくて、単一フォワードパスでマルチタスク分類する、ってことで、「意味による分類」って用途で使われたLLMをそのまま置き換えるができると理解した。意味を通した情報のルーティング、ってことか。
· 1 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.
