Створення класифікатора кодової бази з Jev
Розробник ділиться створенням класифікатора кодової бази з Jev, припускаючи, що це може вирішити проблему переускладненого коду від агентів, і запитує, що тестувати далі.
LLM2Jev: перетворіть будь-яку LLM на локальну модель Jev
LLM2Jev переносить уніфікований фреймворк Jev Choice/Score/Noul у локальне середовище з готовими каузальними моделями HuggingFace — без хмарного налаштування та комерційних API.
💥Awesome! Instantly transform any LLM into a Jev model with a localized decision engine! LLM2Jev brings Jev's unified Choice / Score / Noul framework to your local setup: ready-made HuggingFace causal models, no cloud tuning, no buying commercial APIs. Key Highlights
· 137 likesOpen on X
More like this
Jev забезпечує LLM-as-a-Judge у 20–200 разів швидше та у 40–400 разів дешевше
Jev використано для вибору моделі AGI, забезпечуючи у 20–200 разів більшу швидкість і у 40–400 разів меншу вартість, роблячи LLM-as-a-judge надзвичайно швидким і майже безкоштовним.
Тестування застосунків із TypeSafe Jev та OpenCode
Filip ділиться невеликим демо, що показує швидкість тестування застосунків із TypeSafe Jev та OpenCode.
