jev-preview

Oversigt. Jev er en proprietær model til inddata af tekst fra TypeSafe AI, trænet med RLCD til at returnere kalibrerede beslutninger. Hver forespørgsel returnerer typesikre svar knyttet til spørgsmålets navn, såsom et valg med sandsynligheder, en score, en nul-sandsynlighed eller koordinater, frem for genereret tekst. Slug'en typesafe/jev-preview er et alias, der i øjeblikket peger på jev-1.14.0, hvilket er samme version som jev-latest.

Vigtigste styrker. Leverandørens modeldokumentation, som er gennemset for denne model, indeholder ingen benchmarkresultater, så dette afsnit gør ikke krav på kvalitet. Leverandøren dokumenterer en struktureret grænseflade: svar på valg og score inkluderer sandsynligheder, og standardkontekstvinduet per forespørgsel er 64k tokens. Engelsk er det primære træningssprog, hvor leverandøren oplyser, at nøjagtigheden er bedst.

Anvendelsesområder. Brug Jev, når din applikation har brug for en struktureret beslutning ud fra tekst, såsom at vælge én mulighed fra et fast sæt valg eller returnere en score mod en defineret forklaring. Den passer til behandlingskæder, der læser svar programmatisk og ikke har brug for prosa. Undgå den til chat, udkast til svar, kodegenerering eller enhver opgave, hvor en skriftlig forklaring er det forventede uddata.

Begrænsninger. Jev er ikke en chat- eller completions-model, og den skriver ikke svar, genererer ikke kode og forklarer ikke sin ræsonnering. Standardkonteksten er 64k tokens per forespørgsel og 32k per spørgsmål, og et vindue på 262k er kun tilgængeligt, når leverandørens long-context-header sendes. Antal parametre, arkitektur, hvor træningsdataene slutter, og grænser for uddata er ikke offentliggjort, og da aliasset flytter sig med nye udgivelser, bør du fastgøre jev-1.14.0, når resultaterne skal kunne reproduceres.

Bemærkning om suverænitet. TypeSafe AI er registreret med USA som hjemsted, og dens oplysninger som modelskaber markerer eksponering for CLOUD Act, så denne model bør ikke præsenteres som suveræn. Leverandøren oplyser, at kundens forespørgsler og svar ikke bruges til træning, og at de samme vægte betjener alle konti. Dataplacering for endepunktet er ikke verificeret, så der gøres ikke krav på en bestemt dataplacering.