Course de liens Wikipédia : choisir parmi des milliers d’options
Le modèle choisit l’étape suivante parmi des centaines ou milliers de liens, montrant des décisions rapides avec sorties contraintes. Le post contient une vidéo de 4 min 04.
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.
RAGのリランキングを Jev で評価した。 ベクトル検索の上位候補を並べ直し、順位改善を測る設計ができる。 遅延・費用・障害点を踏まえ、導入価値を判断するのがいいかも。 ゲートを先に決める／正解を引用文で持つ／候補を凍結する、実践のヒントなのがいい。
· 0 likesOpen on X
More like this
Cas d'usage de requête sémantique avec Jev et TypeSafe AI
Nathan LeClaire partage un cas d'usage de requête sémantique pour Jev et TypeSafe AI, notant qu'on n'a fait qu'effleurer la surface.
Créer un détecteur de BS en direct pour le débat Trump vs Kamala avec Jev
L'auteur a utilisé Jev pour exécuter un détecteur de BS en direct sur chaque phrase du débat Trump vs Kamala, avec 5 questions oui/non par candidat, totalisant 1 191 appels Jev, 1,18 M de tokens, 415 ms de latence médiane et un coût total de 0,0497 $.
