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.
Optimiser les sources de preuves avec Jev : extraire les citations et appeler jev-1.13.0
Partage comment continuer à optimiser les sources de preuves avec Jev après avoir reçu le livrable complet de Kooko : extraire les citations clés du rapport en quatre éléments—conclusion, titre et date de la source, URL et extrait textuel—puis appeler jev-1.13.0 séparément.
拿到 Kooko 交付的完整文件后，怎样继续用 Jev 进行证据源优化？ 我的做法是先从报告中抽取关键引用，每条规整为四项要素：报告结论、来源标题与日期、来源 URL、以及从来源网页中摘出的对应原文摘句。随后单独调用 jev-1.13.0
· 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 $.
