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.
Bewijsbrongen optimaliseren met Jev: citaten extraheren en jev-1.13.0 aanroepen
Deelt hoe je na ontvangst van het volledige deliverable van Kooko de bewijsbronnen blijft optimaliseren met Jev: haal kerncitaten uit het rapport in vier elementen—conclusie, brontitel en datum, URL en tekstfragment—en roep vervolgens jev-1.13.0 apart aan.
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
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.
