A three-question rule for choosing between LLMs, Jev, and traditional ML
The author runs three comparison experiments (traditional ML vs Jev, LLMs vs Jev, BERT vs Jev) and gives a three-step rule: pick Jev when the answer is a closed set of options and can be judged at a glance from reading and common sense.
原说法 LLM：探索未知空间 Jev：在已定义空间里做决策 传统 ML：在高度确定的垂直任务里做预测 我们做了大量的实验： （1）传统 ML vs Jev https://t.co/l3Rz9CHSIe （2）LLM现在的大语言模型 vs Jev https://t.co/PN5Q19GnE2 （3） BERT vs Jev https://t.co/1rV8UvLhsh 实验支持的说法： LLM：答案是开放的，或者需要一步步算出来的时候 Jev：答案是封闭选项，而且靠"读懂 + 常识"一眼能判的时候 传统 ML：答案藏在你自己的历史数据里，而且你攒够了标注的时候 一、Jev："已定义的"是答案，不是输入 二、传统 ML：关键不是"确定"，而是"你的数据知道别人不知道的事" 三、LLM：擅长的不是"探索"，是"开放答案"和"要算的事" 选型口诀：三个问题 1️⃣ 答案要写出来，或者要一步步算出来吗？ 是：LLM（或者直接写代码算） 2️⃣ 答案藏在你自己的历史数据里吗，你手上有几百上千条标注吗？ 是：传统 ML，Jev 当附加特征 3️⃣ 都不是，只需要读懂后选一个、打个分，而且量大、要快、要知道自己有没有把握？ 是：Jev
This post quotes another post: x.com/i/web/status/2100747636127203596