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.
Ajusta Jev a tus criterios de decisión con GEPA
Richard Artoul comparte una demo sobre cómo usar GEPA para ajustar Jev, un modelo entrenado solo con datos sintéticos, a tus criterios exactos de decisión manipulando el prompt y etiquetando unos pocos ejemplos.
cool demo on how to use GEPA to take an off the shelf model like Jev (trained only on synthetic data) and tune it to your exact decision criteria simply by manipulating the prompt and labeling a few examples you should follow Seth, he’s way ahead of the curve on AI functions
· 414 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.
