Jev rispetto ai modelli che generano testo
Jev non genera testo libero. Un video affiancato confronta decisioni parallele e generazione token per token.
Dalla generazione autoregressiva al punteggio decisionale parallelo di Jev: un nuovo ruolo per l'interpretabilità meccanicistica
Il post suggerisce che il passaggio dalla generazione autoregressiva al punteggio decisionale parallelo di Jev crea un nuovo ruolo per l'interpretabilità meccanicistica: misurare accuratamente le direzioni dei concetti potrebbe aiutare a plasmare le architetture dei modelli.
the shift from autoregressive generation to #jev's parallel decision scoring suggests a new role for mechanistic interpretability. accurately measuring concept directions could help shape model architectures.
· 1 likesOpen on X
More like this
Prezzi, valutazioni e origine del nome Jev
Il thread di lancio spiega le valutazioni dei workflow code + AI, il prezzo di input annunciato e i token di output gratuiti.
Modello Jev: generazione di probabilità per le decisioni, 200× più veloce e 400× più economico degli LLM
Questo modello è progettato per il processo decisionale anziché la generazione di testo, generando probabilità per ogni opzione in parallelo invece di risposte token per token. L'autore condivide un esempio semplificato di confronto tra LLM normali e questo modello Jev.
