Wyścig linków Wikipedii: wybór spośród tysięcy opcji
Model wybiera następny krok spośród setek lub tysięcy linków, pokazując szybkie decyzje z ograniczonym wyjściem. Post zawiera film 4:04.
Optymalizacja źródeł dowodów z Jev: wyodrębnianie cytatów i wywoływanie jev-1.13.0
Dzieli się, jak po otrzymaniu pełnego deliverable od Kooko dalej optymalizować źródła dowodów za pomocą Jev: wyodrębnić kluczowe cytaty z raportu w cztery elementy—wniosek, tytuł i data źródła, URL oraz fragment tekstu—a następnie osobno wywołać jev-1.13.0.
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
Przypadek użycia zapytań semantycznych z Jev i TypeSafe AI
Nathan LeClaire dzieli się przypadkiem użycia zapytań semantycznych dla Jev i TypeSafe AI, zauważając, że dopiero zaczęto badać możliwości.
Tworzenie live'owego miernika BS dla debaty Trump vs Kamala z Jev
Autor użył Jev do uruchomienia live'owego miernika BS na każdym zdaniu debaty Trump vs Kamala, zadając 5 pytań tak/nie każdemu kandydatowi, co dało łącznie 1 191 wywołań Jev, 1,18 mln tokenów, medianę opóźnienia 415 ms i całkowity koszt 0,0497 $.
