THE JEV GUIDE · CURATED EDITION
Launch News, Erklärungen, Demos und Community Projekte rund um TypeSafe Jev, nach Themen geordnet. Jeder Eintrag verweist auf die Quelle bei X.
Kuratierte Auswahl · Nicht vollständig · Manuell aktualisiert
Sponsors
Diese Produkte finanzieren das Verzeichnis. Ihres auch hier?
Im selben Test mit 430 Fällen ließ Jev 68–92 % der falschen Agentenberichte durch und Laya 84–88 % bei gezeigten Beweisen; stattdessen eine wörtliche Frage gestellt, ließ Jev nur etwa 1 % Fehler durch. Die Fragestellung ist wichtiger als das Modell. Link
Eine Pflichtlektüre von Sebastian Raschka über die Entwicklung der Textklassifikation und die Vorstellung von Jev, dem Entscheidungsmodell von TypeSafe AI. Link
Dieses Papier untersucht die Genauigkeit und Effizienz strukturierter Entscheidungsmodelle wie Jev bei der Moderation von Hassreden und liefert Erkenntnisse für die Inhaltsmoderation. Link
Der Nutzer weist darauf hin, dass Jev-as-Judge Schwere- und Milde-Bias aufweist, die entfernt werden müssen, um für risikoreiche KI-Bewertungen nützlich zu sein.
Der Beitrag fragt, ob jemand Jev-ähnliche Modelle als Bewerter im Prozess-Belohnungs-Lernen (PRL) verwendet hat, und deutet an, dass bessere Bewerter PRL wiederbeleben könnten und mehr Supervision das Lernen verbessert.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
James Briggs analysiert TypeSafe AIs Jev-Modell und vergleicht es mit OpenJev (Von) und winzigen GLiNER-Modellen. GLiNER mit nur 74M Parametern schneidet phänomenal ab und schlägt Jev sogar bei Doom.
Eine wissenschaftliche Betrachtung von Jev, die zeigt, wie Geschwindigkeit und Intelligenz zusammenpassen. Link zur ganzen Episode. Link
Dieser Beitrag teilt ein arXiv-Papier "Labels Override Definitions in Jev-Style Typed Decision Models" von Seyedarmin Azizi, Erfan Baghaei Potraghloo und Massoud Pedram. Link
Der Nutzer teilt eine Übersicht über Bewertungsergebnisse und Metriken für Jev und ähnliche Modelle bei verschiedenen Aufgaben.
Forschende bewerteten zwei System-1-Entscheidungsmodelle—Open-Weight Laya und gehostet Jev—an 11 Agenten-Entscheidungspunkten mit 7.283 Basisfällen und 6.640 Robustheitsvarianten. Jev schnitt besser ab.
Diese Forschung schlägt vor, das Jev-Modell in Semantic SQL zu integrieren, indem LLMs zur semantischen Bewertung für SQL-Filter- und JOIN-Bedingungen genutzt werden, um die Zeit- und Kostenprobleme zeilenweiser Bewertungen zu lösen.
Vorstellung eines Papers zu Chinese-Jev, das die Erweiterung des System-One-Modells von TypeSafe auf chinesische Aufgaben beschreibt, einschließlich NLP und Computer Vision. Link
