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.
Ajuster Jev à vos critères de décision avec GEPA
Richard Artoul partage une démo montrant comment utiliser GEPA pour ajuster Jev, un modèle entraîné uniquement sur des données synthétiques, à vos critères de décision exacts en manipulant le prompt et en étiquetant quelques exemples.
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
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.
