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.
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.
Jev + RAG adds a decision layer that standard rerankers lack. 🔍 @_avichawla’s breakdown shows the core issue: embedding similarity and conventional rerankers optimize for topical closeness, not whether a passage actually contains usable evidence. 📄 Jev (TypeSafe’s
· 3 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 $.
