Évaluation du re-ranking RAG avec Jev
Partage d'une approche d'évaluation du re-ranking RAG avec Jev, couvrant latence, coûts et points de défaillance, avec des conseils pratiques comme fixer des seuils et gérer les citations.
THE JEV GUIDE · CURATED EDITION
Connaissance et recherche.
Annonces, explications, démos et projets communautaires autour de TypeSafe Jev, organisés par thème. Chaque entrée renvoie à sa source sur X.
Sélection curée · Non exhaustive · Mise à jour manuelle
5419posts curés
2789vidéos originales
Sponsors
Ces produits financent l’annuaire. Envie d’y voir le vôtre ?
Jev + RAG : une couche de décision au-delà des rerankers
Le post explique que Jev (le modèle de TypeSafe) combiné à RAG ajoute une couche de décision qui manque aux rerankers standards. Il souligne que la similarité d'embedding et les rerankers conventionnels optimisent la proximité thématique, pas le fait qu'un passage contienne réellement des preuves utilisables.
Le modèle de décision Jev pour le filtrage des candidats RAG
Le post indique que des modèles de décision comme Jev peuvent éliminer les candidats incorrects dans le RAG, et améliorer également les chaînes d'outils LLM et les performances de recherche de recommandations.
Un agrégateur d'actualités IA propulsé par Jev
L'auteur explique avoir construit un agrégateur propulsé par Jev qui filtre automatiquement chaque heure les articles et informations, tout en soulignant qu'il faut encore des lecteurs.
Explication de RAG vs Jev+RAG
Le post explique clairement la différence entre RAG et Jev+RAG, en décrivant le pipeline RAG standard : les documents sont découpés en morceaux, convertis en embeddings, stockés dans une base vectorielle, et les top-k morceaux les plus proches sont récupérés lors d'une requête.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Pourquoi l'IA non conversationnelle « Jev » a-t-elle suscité l'intérêt ?
Cet article analyse pourquoi l'IA non conversationnelle « Jev » a attiré l'attention : elle n'écrit pas de texte, ne converse pas, mais renvoie uniquement des « jugements » et des niveaux de confiance, montrant que séparer la génération du jugement allège la conception des processus métier. Link
Recherche documentaire récursive avec Jev
Présentation du projet jev-doc-search, qui utilise Jev pour condenser de longs documents en tableaux compacts et répondre récursivement pour localiser la réponse, permettant de rechercher dans des documents de plus de 1000 pages. Link
Cloudflare affirme que son modèle bat Jev dans 7 tâches sur 10
Ce post rapporte les spécifications de Gemini 4 Argon de Google et les nouvelles modèles Clef de Cloudflare, mentionnant que ce dernier affirme surpasser Jev dans plusieurs tâches. Link
RAG modulaire Spring AI avec TypeSafe AI Jev
Montre comment Jev réordonne les résultats de recherche vectorielle en ne conservant que les fragments qui répondent réellement à la requête. Inclut un article de blog et une présentation Devoxx. Link
Jev Rank note et classe les titres d'actualités dans TREMOR
Amar Harolikar a ajouté Jev Rank à la section actualités de TREMOR. Il note chaque titre de 0 à 100 en fonction de vos préférences de lecture, et classe environ 800 titres provenant de 64 flux en moins de 2 secondes. Trois modes d'utilisation sont possibles.
Jev joue le rôle de juge dans le flux de recherche Milvus
Milvus récupère des passages candidats via la recherche vectorielle et des filtres de métadonnées, puis Jev juge s'ils aident réellement la tâche, illustrant l'adéquation de ce modèle orienté décision pour la recherche.
Jev + modèles open source : recherchez les meilleures apps de l'App Store en langage naturel
Le post présente un outil de recherche combinant Jev et des modèles open source pour interroger les applications les plus performantes de l'App Store en langage naturel. Link
