Jev 与文本生成模型的取舍
Jev 不生成自由文本。Diogo 用一段对比视频说明并行决策模型与逐字生成模型在任务形态上的差别。
Karpathy 称 Jev 是 LLM Pareto 曲线上被忽略的点
帖子引用 Karpathy 的观点，将 Jev 定位为 LLM Pareto 曲线上此前被忽略的点，并给出 Rules → Classifier → Jev → Flash → General LLM → Reasoning LLM 的谱系：Flash 是更快的通用智能，Jev 是更窄的决策智能；很多任务只需智能过线，之后延迟、成本和确定性更重要。
Karpathy 说 Jev 是 LLM Pareto curve 上一个此前被忽略的点。 画出来之后更直观： Rules → Classifier → Jev → Flash → General LLM → Reasoning LLM Flash 是更快的通用智能，Jev 是更窄的决策智能。 很多任务不需要最高智能，只需要智能过线。过线之后，延迟、成本和确定性反而更重要。
· 0 次赞在 X 打开
更多类似内容
定价、评测与 Jev 名称的由来
发布线程继续解释 code + AI 的工作流评测，并给出当时的输入价格及免费输出说明。
Jev模型：面向决策的概率生成，比LLM快200倍、便宜400倍
该模型专为决策而非文本生成设计，并行输出各选项概率，而非逐token生成回复。作者给出普通LLM与该Jev模型的简化对比示例。
