Budowanie klasyfikatora bazy kodu z Jev
Deweloper dzieli się budową klasyfikatora bazy kodu z Jev, sugerując, że może rozwiązać problem przekombinowanego kodu od agentów, i pyta, co testować dalej.
Użycie Jev do identyfikacji potencjalnych błędów w szkicach AI
Omawia ryzyko utraty umiejętności w przypadku korzystania z maszynistów AI i jak modele Jev mogą pomóc użytkownikom lepiej zrozumieć obszary, w których szkice mogą być błędne, poprawiając weryfikację.
Deskilling is a real risk when it comes to using AI scribes. The drafts often look plausible, which leads users to overly trust without verifying. Models like #Jev could help provide users with better insights onto areas where the draft might be wrong. https://github.com/Stephonomon/scribe-verify…
· 0 likesOpen on X
More like this
Jev umożliwia LLM-as-a-Judge 20–200x szybciej i 40–400x taniej
Jev został użyty do wyboru, który model jest AGI, oferując 20–200x większą szybkość i 40–400x niższy koszt, czyniąc LLM-as-a-judge niezwykle szybkim i niemal darmowym.
Testowanie aplikacji z TypeSafe Jev i OpenCode
Filip dzieli się małym demo pokazującym szybkość testowania aplikacji z TypeSafe Jev i OpenCode.
