Jev face aux modèles générateurs de texte
Jev ne génère pas de texte libre. Une vidéo côte à côte compare la décision parallèle avec la génération token par token.
Expérimentation de Jev de TypeSafe AI dans Playground : évaluation sémantique via HEX/RGB
Test de Jev dans Playground : masquer les noms des candidats Choice en option_a, etc., et ne fournir que des valeurs HEX/RGB pour voir si le modèle les évalue sémantiquement comme des couleurs. En modifiant en rouge l'une des valeurs HEX ou RGB d'un candidat pour créer une contradiction, sa probabilité tombe à près de 0 % ; aucun biais net HEX/RGB observé pour l'instant.
TypeSafe AIの #Jev を Playground で実験なう✨ Choice の候補名を option_a 等に隠してHEX/RGB だけ与えても、値を色として意味的に評価する様子。 例えば blue 候補の HEX か RGB の片方だけデータで赤に変えて矛盾させるとその候補確率はほぼ0%。 HEX優先／RGB優先の偏りは今のところなさそう🤔
· 5 likesOpen on X
More like this
Prix, évaluations et origine du nom Jev
Le fil de lancement explique les évaluations de workflows code + AI, le prix d’entrée annoncé et les tokens de sortie gratuits.
Modèle Jev : génération de probabilités pour la décision, 200× plus rapide et 400× moins cher que les LLM
Ce modèle est conçu pour la prise de décision plutôt que la génération de texte, produisant des probabilités pour chaque option en parallèle au lieu de réponses token par token. L'auteur présente un exemple simplifié comparant les LLM classiques à ce modèle Jev.
