Jev three days after launch: what 8 blog posts measured and what is still marketing
A roundup of 8 blog posts finds Jev returns probabilities for preset answers rather than writing text, with pricing and latency figures, and that "no hallucinations" is a marketing claim.
מודל Jev של TypeSafe, שלשה ימים אחרי ההשקה והרבה הייפ: מה נמדד ומה עדיין שיווק. קצת ספקולציות בבלוג שלי (קצת ארוך,הלינק בתגובות). קראתי איזה 8 בלוגים בנושא וסיכמתי את מה שהם מצאו. קצת היילייטס: - המודל לא כותב טקסט. שולחים לו הקשר ושאלות עם תשובות מותרות מראש, והוא מחזיר הסתברות לכל תשובה. הקוד שלכם מחליט, לא המודל. - המספרים: 0.042$ למיליון טוקנים בכניסה, הפלט חינם, 70 עד 500 מילישניות לקריאה. בבנצ'מרק של החברה עצמה: 67.8% מול 74.1% ל־GPT-5.6 Sol. זול ומהיר בשני סדרי גודל, מדויק פחות. - "0% שגיאות טיפוס" זו טענה מדויקת. "ללא הזיות" זה שיווק: המודל עדיין יכול לבחור תשובה שגויה בביטחון גבוה, וגם התיעוד של החברה אומר את זה. - שיטת האימון, RLCD, קיבלה שם ומטרה. לא מאמר, לא מתכון, לא עקומות כיול. - מה שהוכח: ההקשר מקודד פעם אחת, אין לולאת ייצור טקסט, השאלות לא רואות זו את זו. מה שלא: מודל הבסיס, האם זה MoE, ומה בכיול מגיע מהאימון ומה מתיקון אחרי. סיכומון של מייק: מסווג מהיר ומכויל היטב מאחורי API נקי. האם זה "סוג חדש של מודל" זו שאלה של שמות. האם שווה לבנות עליו תלוי בעלות לכל משימה שנפתרה, לא לכל טוקן. #איי_איי_עם_מייק הלינק לבלוג המלא: 👇