สร้างตัวจำแนกโค้ดเบสด้วย Jev
นักพัฒนแชร์การสร้างตัวจำแนกโค้ดเบสด้วย Jev โดยเสนอว่าอาจแก้ปัญหาโค้ดที่ซับซ้อนเกินไปจากเอเจนต์ และถามว่าควรทดสอบอะไรต่อไป
Jev เทียบกับ GPT-5.6 Luna ในฐานะโอเปอเรเตอร์ในไปป์ไลน์เสียง Pipecat
Jon Taylor บันทึกวอล์กทรูอย่างละเอียดเปรียบเทียบ Jev และ GPT-5.6 Luna ในฐานะองค์ประกอบโอเปอเรเตอร์ในไปป์ไลน์อินเทอร์เฟซเสียง Pipecat: Jev ทำได้ 92.6% ความแม่นยำคำสั่ง และ 296 ms ความหน่วงมัธยฐาน เทียบกับ 81.3% และ 1,008 ms ของ GPT-5.6 Luna
.@jonptaylor recorded a detailed walkthough of Jev vs GPT-5.6 Luna as the "operator" element of a Pipecat speech interface pipeline. GPT-5.6 Luna: - 81.3% command accuracy - 1,008 ms median latency Jev - 92.6% command accuracy - 296 ms median latency A few notes
· 112 likesOpen on X
More like this
Jev ทำให้ LLM-as-a-Judge เร็วขึ้น 20–200 เท่า และถูกลง 40–400 เท่า
Jev ถูกใช้เพื่อเลือกว่าโมเดลใดคือ AGI โดยให้ความเร็ว 20–200 เท่าและต้นทุนต่ำลง 40–400 เท่า ทำให้ LLM-as-a-judge เร็วมากและเกือบฟรี
ทดสอบแอปด้วย TypeSafe Jev และ OpenCode
Filip แชร์เดโมเล็กๆ ที่แสดงความเร็วในการทดสอบแอปด้วย TypeSafe Jev และ OpenCode
