Wikipedia linkrace: kiezen uit duizenden opties
Het model kiest de volgende stap uit honderden of duizenden links en toont snelle beslissingen met beperkte outputs. De post bevat een video van 4:04.
De Katagami-kunststijlbibliotheek indexeren met Jev voor MCP-interactie
De auteur gebruikte Jev om de volledige Katagami-bibliotheek van kunststijlen en ontwerptalen te indexeren, waardoor mensen en agents via MCP interactief en intelligent kunnen zoeken, met kenmerkanalyse en geschiktheidsscore in ongeveer 1 seconde.
I used Jev to index the entire Katagami library of art styles and design languages, and make the experience for both humans and agents (via MCP) interactive and intelligent - you ask, Jev reads your ask into traits and scores candidates for fit (~1s). This was not possible with
· 4 likesOpen on X
More like this
Semantische query use case met Jev en TypeSafe AI
Nathan LeClaire deelt een semantische query use case voor Jev en TypeSafe AI en merkt op dat men nog maar net het oppervlak heeft aangeraakt.
Een live BS-meter bouwen voor het Trump vs Kamala-debat met Jev
De auteur gebruikte Jev om een live BS-meter te draaien op elke zin van het Trump vs Kamala-debat, met 5 ja/nee-vragen per kandidaat, in totaal 1.191 Jev-aanroepen, 1,18M tokens, 415 ms mediane latentie en $0,0497 totale kosten.
