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。
用 Jev 从第一性原理构建 LLM：分类器驱动的自回归循环
作者用 Jev 从第一性原理构建了一个 LLM：每个字符通过 29 个是/否问题预测下一个键是字母、空格、逗号还是句号，取最高概率追加后反馈回循环，形成一个由分类器构成的自回归生成过程。
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 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。
