Course de liens Wikipédia : choisir parmi des milliers d’options
Le modèle choisit l’étape suivante parmi des centaines ou milliers de liens, montrant des décisions rapides avec sorties contraintes. Le post contient une vidéo de 4 min 04.
Comparaison du reclassement Jev : couverture des preuves et gains MRR
Analyse de 36 requêtes de recherche sur 3 collections de connaissances, comparant le classement original avec Jev de TypeSafe AI sur des ensembles de candidats identiques. La couverture des preuves@10 est passée de 83,3 % à 91,7 %.
What does reranking buy you when the candidates stay the same? We reanalyzed 36 retrieval queries across 3 knowledge collections, comparing the original ranking with Jev from @typesafeai on identical candidate sets. • Evidence coverage@10: 83.3% → 91.7% • MRR@10: 0.647 →
· 1 likesOpen on X
More like this
Cas d'usage de requête sémantique avec Jev et TypeSafe AI
Nathan LeClaire partage un cas d'usage de requête sémantique pour Jev et TypeSafe AI, notant qu'on n'a fait qu'effleurer la surface.
Créer un détecteur de BS en direct pour le débat Trump vs Kamala avec Jev
L'auteur a utilisé Jev pour exécuter un détecteur de BS en direct sur chaque phrase du débat Trump vs Kamala, avec 5 questions oui/non par candidat, totalisant 1 191 appels Jev, 1,18 M de tokens, 415 ms de latence médiane et un coût total de 0,0497 $.
