Carrera de enlaces de Wikipedia: elegir entre miles de opciones
El modelo elige el siguiente paso entre cientos o miles de enlaces, mostrando decisiones rápidas con salidas restringidas. El post incluye un video de 4:04.
Optimización de fuentes de evidencia con Jev: extraer citas y llamar a jev-1.13.0
Comparte cómo seguir optimizando fuentes de evidencia con Jev tras recibir el entregable completo de Kooko: extraer citas clave del informe en cuatro elementos—conclusión, título y fecha de la fuente, URL y extracto textual—y luego llamar a jev-1.13.0 por separado.
拿到 Kooko 交付的完整文件后，怎样继续用 Jev 进行证据源优化？ 我的做法是先从报告中抽取关键引用，每条规整为四项要素：报告结论、来源标题与日期、来源 URL、以及从来源网页中摘出的对应原文摘句。随后单独调用 jev-1.13.0
· 0 likesOpen on X
More like this
Caso de uso de consulta semántica con Jev y TypeSafe AI
Nathan LeClaire comparte un caso de uso de consulta semántica para Jev y TypeSafe AI, señalando que apenas se ha arañado la superficie.
Creando un medidor de BS en vivo para el debate Trump vs Kamala con Jev
El autor usó Jev para ejecutar un medidor de BS en vivo en cada frase del debate Trump vs Kamala, con 5 preguntas de sí/no por candidato, totalizando 1.191 llamadas a Jev, 1,18M tokens, 415 ms de latencia mediana y un coste total de $0,0497.
