Jev kontra modele generujące tekst
Jev nie generuje swobodnego tekstu. Film porównuje równoległe decyzje z generowaniem tekstu token po tokenie.
Jev Harness: czytanie i wyszukiwanie zajmują 56,2% tur narzędzi, pisanie kodu poniżej 10%
PDF Jev Harness autorstwa Diogo Amogo proponuje bramkowanie poleceń według zaufania, ładowanie instrukcji warunkowo i współdzielenie jednego przebiegu wyszukiwania w zadaniach tylko do odczytu, twierdząc, że wąskim gardłem nigdy nie było kodowanie.
Reading and searching eat 56.2% of tool turns. Writing code is under 10%. Diogo Amogo's Jev Harness PDF flips that: 1. gate commands by trust 2. load instructions by condition 3. share one retrieval pass across read-only tasks The bottleneck was never the coding.
· 0 likesOpen on X
More like this
Cennik, ewaluacje i nazwa Jev
Wątek premierowy wyjaśnia ewaluacje przepływów code + AI, ogłoszoną cenę wejścia i darmowe tokeny wyjściowe.
Model Jev: generowanie prawdopodobieństw do podejmowania decyzji, 200× szybszy i 400× tańszy niż LLM
Model ten jest stworzony do podejmowania decyzji, a nie generowania tekstu; generuje prawdopodobieństwa dla każdej opcji równolegle zamiast odpowiedzi token po tokenie. Autor dzieli się uproszczonym przykładem porównania zwykłych LLM z tym modelem Jev.
