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。
Kev-0.6B Jev 级决策模型在 Apple 神经引擎上的单次前向传播实测
Kev-0.6B 是 Jev 级决策模型，在 Apple 神经引擎上运行，单次前向传播无需生成 token，每次决策 7.18 毫秒，p99 为 7.53 毫秒。放置位置尚未断言，通过三种方式测量：仅 CPU 返回零，Apple xctrace 神经引擎工具计数为 303。
Kev-0.6B, a Jev-class decision model, running on the Apple Neural Engine. One forward pass, no token generation. 7.18 ms per decision, p99 7.53. Placement isn't asserted yet, it's measured three ways: CPU-only returns zeros, Apple's xctrace Neural Engine instrument counts 303
· 1 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。
