Corsa tra link Wikipedia: scegliere fra migliaia di opzioni
Il modello sceglie il passo successivo fra centinaia o migliaia di link, mostrando decisioni rapide con output vincolati. Il post include un video di 4:04.
Ottimizzare le fonti di evidenza con Jev: estrarre citazioni e chiamare jev-1.13.0
Condivide come continuare a ottimizzare le fonti di evidenza con Jev dopo aver ricevuto il deliverable completo di Kooko: estrarre le citazioni chiave dal report in quattro elementi—conclusione, titolo e data della fonte, URL e estratto testuale—poi chiamare jev-1.13.0 separatamente.
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
Caso d'uso di query semantica con Jev e TypeSafe AI
Nathan LeClaire condivide un caso d'uso di query semantica per Jev e TypeSafe AI, notando che si è appena scalfita la superficie.
Creare un misuratore di BS in tempo reale per il dibattito Trump vs Kamala con Jev
L'autore ha usato Jev per eseguire un misuratore di BS in tempo reale su ogni frase del dibattito Trump vs Kamala, con 5 domande sì/no per candidato, per un totale di 1.191 chiamate Jev, 1,18M token, 415 ms di latenza mediana e un costo totale di $0,0497.
