Corrida de links da Wikipédia: escolhendo entre milhares de opções
O modelo escolhe o próximo passo entre centenas ou milhares de links, demonstrando decisões rápidas com saídas restritas. O post inclui um vídeo de 4:04.
Otimizando fontes de evidência com Jev: extrair citações e chamar jev-1.13.0
Compartilha como continuar otimizando fontes de evidência com Jev após receber o entregável completo da Kooko: extrair citações-chave do relatório em quatro elementos—conclusão, título e data da fonte, URL e trecho textual—e então chamar jev-1.13.0 separadamente.
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
Caso de uso de consulta semântica com Jev e TypeSafe AI
Nathan LeClaire compartilha um caso de uso de consulta semântica para Jev e TypeSafe AI, observando que as pessoas mal arranharam a superfície.
Criando um medidor de BS ao vivo para o debate Trump vs Kamala com Jev
O autor usou Jev para executar um medidor de BS ao vivo em cada frase do debate Trump vs Kamala, com 5 perguntas de sim/não por candidato, totalizando 1.191 chamadas Jev, 1,18M tokens, 415 ms de latência mediana e custo total de $0,0497.
