Автор использовал модель Open-Jev 27B для однократной разметки 7 999 сообщений в наборе данных Banking77, две студенческие модели обучаются на этих метках, а 1 000 человеческих ответов отложены для оценки.
The setup is pretty simple. Banking77 is a dataset where you need to route a support message to one of 77 different intents. I used the @Zefan_Cai Open-Jev 27B model to label 7,999 messages once. The two students learn from these labels. Then I kept 1000 human answers out of the
Автор делится опытом использования Jev: сначала казалось сложно, но всё стало понятно, когда он представил это как «не позволять ИИ писать текст». На примере обработки запросов традиционный подход передаёт всё GPT или Claude для анализа, а Jev предлагает иной подход.
Прототип использует ИИ для оценки колебаний или интереса по движениям курсора или задержке перед кликом, наблюдая за поведением клиента и дополняя объяснения или предлагая сравнения.
Автор создал демо службы поддержки в реальном времени для электронной коммерции на Jev и gpt-live-1, которое мгновенно предлагает рекомендуемые товары на основе речи пользователя во время разговора, обеспечивая отличный опыт.
