Jev rispetto ai modelli che generano testo
Jev non genera testo libero. Un video affiancato confronta decisioni parallele e generazione token per token.
Ottimizzare Jev sui tuoi criteri decisionali con GEPA
Richard Artoul condivide una demo su come usare GEPA per ottimizzare Jev, un modello addestrato solo su dati sintetici, sui tuoi esatti criteri decisionali manipolando il prompt ed etichettando pochi esempi.
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
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.
