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.
Test Milvus : Jev dépasse Qwen sur le nDCG mais est 10,2× plus lent et 6,7× plus cher
Les tests de Milvus montrent que Jev dépasse Qwen sur le nDCG, mais est 10,2× plus lent, 6,7× plus cher, et un filtre de 0,5 élimine 18,8 % des documents pertinents.
Milvus tested this already. According to their findings, Jev beat Qwen on nDCG, but was 10.2× slower and 6.7× more expensive, and a 0.5 filter dropped 18.8% of relevant docs. Link:
· 0 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 $.
