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.
Richard Seroter estudia en qué se diferencia TypeSafe Jev de los modelos de clasificación habituales
Richard Seroter está leyendo el blog de TypeSafe sobre los modelos System One y Jev, y usa Gemini Enterprise para analizar artículos y entender en qué se diferencia Jev de los modelos de clasificación ML habituales.
I'm reading up on Jev (https://typesafe.ai/blog/introducing-system-one-models-and-jev…) and learning how it differs from "regular" classification ML models. I gave a bunch of articles to @googlecloud Gemini Enterprise and asked it for a breakdown. Helpful. Still digging in before going hands-on.
· 3 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.
