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.
Jev + treg_ai brengt het zoeken naar personen omlaag naar ~$0,0089 per lead
De post benadrukt dat het echte verhaal niet goedkoper Clay is, maar dat agent-native prospectie veel goedkoper wordt om uit te voeren. Jev + treg_ai brengen het zoeken naar personen omlaag naar ~$0,0089 per lead, terwijl ze open source en agentvriendelijk blijven.
This caught my attention because the real story isn’t “cheaper Clay.” It’s that agent-native prospecting is becoming dramatically cheaper to run. Jev + @treg_ai bringing people search down to ~$0.0089/lead, while staying open source and agent-friendly, could make serious
· 0 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.
