Jev frente a los modelos generadores de texto
Jev no genera texto libre. Un video comparativo explica la diferencia entre decisiones paralelas y generación token por token.
Jev permite clasificación sin entrenamiento ni nuevos datasets
La publicación señala que la clasificación tradicional requiere crear y entrenar un nuevo dataset para cada conjunto fijo de clases, mientras que Jev evita este proceso y admite nuevos conjuntos de clases sin crear datasets ni reentrenar.
This creativity and flexibility are what we need. Many think they can do normal classification but that requires creating a new dataset for every fixed set of classes. Jev bypass that process. We don’t have to create a dataset and train whenever we create a new set of classes
· 1 likesOpen on X
More like this
Precios, evaluaciones y el nombre Jev
El hilo de lanzamiento explica evaluaciones de flujos code + AI, el precio de entrada anunciado y los tokens de salida gratuitos.
Modelo Jev: generación de probabilidades para decisiones, 200× más rápido y 400× más barato que los LLM
Este modelo está diseñado para la toma de decisiones en lugar de la generación de texto, generando probabilidades para cada opción en paralelo en vez de respuestas token a token. El autor comparte un ejemplo simplificado de LLM normales frente a este modelo Jev.
