Jev เทียบกับโมเดลสร้างข้อความ
Jev ไม่สร้างข้อความแบบอิสระ วิดีโอเปรียบเทียบแสดงความต่างระหว่างการตัดสินใจแบบขนานกับการสร้างข้อความทีละโทเคน
สร้าง LLM จากหลักการพื้นฐานด้วย Jev: ลูปออโตเรเกรสซีฟที่ขับเคลื่อนด้วยตัวจำแนก
ผู้เขียนสร้าง LLM จากหลักการพื้นฐานด้วย Jev: คำถามใช่/ไม่ 29 ข้อต่ออักขระทำนายว่าคีย์ถัดไปเป็น a–z, ช่องว่าง, จุลภาค หรือมหัพภาค; ความน่าจะเป็นสูงสุดถูกต่อท้ายแล้วป้อนกลับเข้าลูป เกิดเป็นกระบวนการออโตเรเกรสซีฟจากตัวจำแนก
i made an llm from first principles with Jev 29 yes/no questions per character: should the next key be a–z, space, comma, or period? highest probability gets append to it, then fed the updated text back in & repeat an autoregressive loop made out of a classifier
· 884 likesOpen on X
More like this
ราคา การประเมิน และที่มาของชื่อ Jev
เธรดเปิดตัวอธิบายการประเมินเวิร์กโฟลว์ code + AI ราคาอินพุตตอนเปิดตัว และโทเคนเอาต์พุตฟรี
โมเดล Jev: การสร้างความน่าจะเป็นสำหรับการตัดสินใจ เร็วกว่า 200 เท่าและถูกกว่า 400 เท่าเมื่อเทียบกับ LLM
โมเดลนี้ออกแบบมาสำหรับการตัดสินใจแทนการสร้างข้อความ โดยสร้างความน่าจะเป็นสำหรับแต่ละตัวเลือกแบบขนาน แทนที่จะตอบทีละโทเค็น ผู้เขียนยกตัวอย่างเปรียบเทียบแบบง่ายระหว่าง LLM ทั่วไปกับโมเดล Jev นี้
