
耗时1h!打造属于你自己的Jev,喂饭级教程来了! (opens in a new tab)
开源版Jev训练保姆级教程发布,基于Qwen3-0.6B底座在本地单卡环境完成数据下载、案例级切分、全参数微调、温度校准及本地接口部署全流程,600步训练后在2000道决策题测试集上达到78.05%准确率。
Total 38 articles

开源版Jev训练保姆级教程发布,基于Qwen3-0.6B底座在本地单卡环境完成数据下载、案例级切分、全参数微调、温度校准及本地接口部署全流程,600步训练后在2000道决策题测试集上达到78.05%准确率。

当AI不再只会聊天。 TypeSafe在9月15日公开这款模型时,给它取了一个很大的名字,System One Model。 它不写回复,也不生成代码,只接收一段状态信息和一组问题,然后返回选择结果、分数或者概率。 上线没多久,社区里就出现两种截然不同的看法。 不少开发者直言,这个思路不算新鲜。给一段文字,配上几组备选答案,让模型挑最合适的选项,这类做法早就有人做过。 零样本分类就能完成类似任务,BERT类编码器也可以在固定标签里做判断,GLiNER和受约束解码还有别的实现方案。 Jev的架构、权重和训练细节又没有公开,因此很难仅凭产品发布就把底层方法认作技术突破。 第二种态度更偏向先用起来。

过去一周,Jev 成了整个 AI 圈最火的新模型。

这几天,Jev 模型在开发者社区引发讨论。

Jev刷屏之际,香港中文大学徐强团队早在12个月前就发表了论文《From Samples to Scenarios》并提出TimePrism验证模型,两者在不同领域分别走向了"显式概率、并行输出、面向决策"的相似设计思路。

就在今天,整个硅谷都被Jev刷屏了!发布仅三天,它就被Vercel、Cloudflare和LangChain等主流平台迅速集成,有人说,我们即将迎来自动化智能的大爆发!而这场狂欢的主角,竟然是一个不会说话的大模型。

TypeSafe AI 开发的非大语言模型 Jev 正式向所有用户开放并赠送约 1.2 亿 Token 额度,该模型由前 OpenAI 研究员 Diogo Almeida 创立,可输出类型化结构决策,速度较同类大语言模型快 20 至 200 倍。

前OpenAI研究员所在的TypeSafe AI于9月15日发布专门处理判断题的AI模型Jev,将其定义为System One Models,因在Agent评估、广告分析及浏览器操作等场景展现出的高速低成本能力而在开发者社区迅速走红,LangChain、OpenAI研究员Tibo等纷纷跟进关注。

这两天,GitHub 上一个叫 REA(Reverse Engineer Anything)的项目狂揽了近 7 万颗星!

SAG2 在建库阶段使用 BM25 索引,检索时用 JEV 判断候选证据。文章比较团队报告的建库耗时,并用公众号文章、研报和代码展示 SAG Wiki 的多跳检索。