Jev rispetto ai modelli che generano testo
Jev non genera testo libero. Un video affiancato confronta decisioni parallele e generazione token per token.
Richard Seroter studia la differenza tra TypeSafe Jev e i normali modelli di classificazione
Richard Seroter sta leggendo il blog di TypeSafe sui modelli System One e Jev, usando Gemini Enterprise per analizzare articoli e capire come Jev differisca dai normali modelli di classificazione ML.
I'm reading up on Jev (https://typesafe.ai/blog/introducing-system-one-models-and-jev…) and learning how it differs from "regular" classification ML models. I gave a bunch of articles to @googlecloud Gemini Enterprise and asked it for a breakdown. Helpful. Still digging in before going hands-on.
· 3 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.
