Media is too big
VIEW IN TELEGRAM
🚀 فراتر از تولید متن: معرفی مدل Jev
یکی از خالقان تکنولوژی‌های پیش‌زمینه ChatGPT، پس از دو سال فعالیت مخفیانه، مدل جدیدی به نام Jev را معرفی کرده است. برخلاف مدل‌های زبانی رایج (LLM)، این مدل به جای تولید متن، خروجی‌های ساختاریافته و منطقی ارائه می‌دهد که مستقیماً توسط برنامه‌ها قابل استفاده هستند.
Jev برای کاربردهایی نظیر کلاس‌بندی، مسیریابی و استخراج داده طراحی شده و با متد اختصاصی
- سرعت بسیار بالا: پاسخ‌دهی در بازه ۷۰ تا ۵۰۰ میلی‌ثانیه.
- کارایی عملیاتی: تا ۲۰۰ برابر سریع‌تر و ۴۰۰ برابر ارزان‌تر از مدل‌های پرچمدار فعلی.
- هزینه ناچیز: ورودی تنها ۰.۰۴۲ دلار به ازای هر یک میلیون توکن و خروجی رایگان.
از آنجا که Jev به جای تولید متن، در چارچوبی تایپ‌شده (Typed Schema) کار می‌کند، مشکلاتی مانند توهمات متنی سنتی را ندارد. این مدل اکنون در مرحله دسترسی زودهنگام قرار دارد و می‌تواند تحولی در اتوماسیون تصمیم‌گیری‌های هوشمند درون‌برنامه‌ای ایجاد کند.
#Jev #RLCD
یکی از خالقان تکنولوژی‌های پیش‌زمینه ChatGPT، پس از دو سال فعالیت مخفیانه، مدل جدیدی به نام Jev را معرفی کرده است. برخلاف مدل‌های زبانی رایج (LLM)، این مدل به جای تولید متن، خروجی‌های ساختاریافته و منطقی ارائه می‌دهد که مستقیماً توسط برنامه‌ها قابل استفاده هستند.
Jev برای کاربردهایی نظیر کلاس‌بندی، مسیریابی و استخراج داده طراحی شده و با متد اختصاصی
RLCD آموزش دیده است. مهم‌ترین ویژگی‌های این مدل عبارتند از:- سرعت بسیار بالا: پاسخ‌دهی در بازه ۷۰ تا ۵۰۰ میلی‌ثانیه.
- کارایی عملیاتی: تا ۲۰۰ برابر سریع‌تر و ۴۰۰ برابر ارزان‌تر از مدل‌های پرچمدار فعلی.
- هزینه ناچیز: ورودی تنها ۰.۰۴۲ دلار به ازای هر یک میلیون توکن و خروجی رایگان.
از آنجا که Jev به جای تولید متن، در چارچوبی تایپ‌شده (Typed Schema) کار می‌کند، مشکلاتی مانند توهمات متنی سنتی را ندارد. این مدل اکنون در مرحله دسترسی زودهنگام قرار دارد و می‌تواند تحولی در اتوماسیون تصمیم‌گیری‌های هوشمند درون‌برنامه‌ای ایجاد کند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Jev #RLCD
هوش مصنوعی؛ فراتر از مدل‌های مولد با Jev
در معماری ایجنت‌های هوش مصنوعی، معمولاً از یک مدل زبانی (LLM) برای همه کارها استفاده می‌شود؛ از استدلال‌های پیچیده گرفته تا تصمیم‌گیری‌های ساده. اما مدل جدید Jev، رویکرد متفاوتی را ارائه می‌دهد که مبتنی بر جداسازی «مدل‌های مولد» از «مدل‌های تصمیم‌گیر» است.
مدل‌های مولد برای کارهای باز مثل نوشتن کد یا خلاصه‌سازی عالی هستند، اما برای تصمیمات ساختاریافته (Bounded Decisions) بهینه نیستند. Jev به جای تولید متن، مستقیماً پاسخ‌های تایپ‌شده با احتمال مشخص ارائه می‌دهد تا مستقیماً در کد برنامه شما استفاده شود.
مهم‌ترین قابلیت‌های این مدل:
• Noul: تصمیم‌گیری‌های بله/خیر با دقت بالا.
• Choice: انتخاب بین گزینه‌های از پیش تعریف شده (مناسب برای Routing مدل‌ها یا انتخاب ابزار).
• Score: ارزیابی بر اساس مقیاس‌های عددی برای بررسی کیفیت خروجی یا پیشرفت ایجنت.
تحلیل عمیق معماری Jev: انقلابی در تصمیم‌گیری هوشمند ایجنت‌های هوش مصنوعی
#Jev #TypeSafe
در معماری ایجنت‌های هوش مصنوعی، معمولاً از یک مدل زبانی (LLM) برای همه کارها استفاده می‌شود؛ از استدلال‌های پیچیده گرفته تا تصمیم‌گیری‌های ساده. اما مدل جدید Jev، رویکرد متفاوتی را ارائه می‌دهد که مبتنی بر جداسازی «مدل‌های مولد» از «مدل‌های تصمیم‌گیر» است.
مدل‌های مولد برای کارهای باز مثل نوشتن کد یا خلاصه‌سازی عالی هستند، اما برای تصمیمات ساختاریافته (Bounded Decisions) بهینه نیستند. Jev به جای تولید متن، مستقیماً پاسخ‌های تایپ‌شده با احتمال مشخص ارائه می‌دهد تا مستقیماً در کد برنامه شما استفاده شود.
مهم‌ترین قابلیت‌های این مدل:
• Noul: تصمیم‌گیری‌های بله/خیر با دقت بالا.
• Choice: انتخاب بین گزینه‌های از پیش تعریف شده (مناسب برای Routing مدل‌ها یا انتخاب ابزار).
• Score: ارزیابی بر اساس مقیاس‌های عددی برای بررسی کیفیت خروجی یا پیشرفت ایجنت.
تحلیل عمیق معماری Jev: انقلابی در تصمیم‌گیری هوشمند ایجنت‌های هوش مصنوعی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Jev #TypeSafe
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 بهینه‌سازی هوشمند Claude Code با مد Jev
قابلیت جدیدی برای Claude Code منتشر شده است که با انتخاب هوشمندانه مهارت‌ها، میزان مصرف توکن در پرامپت‌ها را به‌شدت کاهش می‌دهد. این مد جدید به جای بارگذاری تمامی قابلیت‌ها در کانتکست (Context)، تنها موارد ضروری را بر اساس نیاز شما فراخوانی می‌کند.
مهم‌ترین ویژگی‌های این به‌روزرسانی:
• بارگذاری انتخابی مهارت‌ها در زمان نیاز به جای اشغال کردن کانتکست
• تحلیل هوشمند درخواست توسط Jev برای انتخاب دقیق‌ترین مهارت
• پشتیبانی کامل از TypeSafe API و Vercel AI Gateway
اگر از ابزارهای کدنویسی هوش مصنوعی استفاده می‌کنید، این مد می‌تواند هزینه توکن و دقت تعاملات شما با Claude را بهینه کند. برای نصب و فعال‌سازی این قابلیت می‌توانید از دستور زیر در ترمینال خود استفاده کنید:
#ClaudeCode #Jev
قابلیت جدیدی برای Claude Code منتشر شده است که با انتخاب هوشمندانه مهارت‌ها، میزان مصرف توکن در پرامپت‌ها را به‌شدت کاهش می‌دهد. این مد جدید به جای بارگذاری تمامی قابلیت‌ها در کانتکست (Context)، تنها موارد ضروری را بر اساس نیاز شما فراخوانی می‌کند.
مهم‌ترین ویژگی‌های این به‌روزرسانی:
• بارگذاری انتخابی مهارت‌ها در زمان نیاز به جای اشغال کردن کانتکست
• تحلیل هوشمند درخواست توسط Jev برای انتخاب دقیق‌ترین مهارت
• پشتیبانی کامل از TypeSafe API و Vercel AI Gateway
اگر از ابزارهای کدنویسی هوش مصنوعی استفاده می‌کنید، این مد می‌تواند هزینه توکن و دقت تعاملات شما با Claude را بهینه کند. برای نصب و فعال‌سازی این قابلیت می‌توانید از دستور زیر در ترمینال خود استفاده کنید:
npx claude-code-templates --mod productivity/jev-skill-suggestion📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ClaudeCode #Jev
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 معرفی مدل مالتی‌مودال Jev-Omni
مدل Jev-Omni به عنوان یک سیستم جامع چندوجهی منتشر شد که برخلاف نسخه‌های متن‌باز فعلی، همزمان از ورودی‌های متن، تصویر، صدا و ویدیو پشتیبانی می‌کند.
این مدل در بنچمارک‌های تایپ‌شده با مدل Jev برابری می‌کند و برای آموزش آن از ۳۰ هزار نمونه داده روی سخت‌افزار 8xH200 استفاده شده است. طبق اعلام توسعه‌دهنده، زمان پاسخگویی این مدل روی یک پردازنده H100 کمتر از ۱۰۰ میلی‌ثانیه است.
اطلاعات فنی و فایل‌های این مدل را می‌توانید در صفحه Hugging Face پروژه مشاهده کنید.
#Jev_Omni #H100
مدل Jev-Omni به عنوان یک سیستم جامع چندوجهی منتشر شد که برخلاف نسخه‌های متن‌باز فعلی، همزمان از ورودی‌های متن، تصویر، صدا و ویدیو پشتیبانی می‌کند.
این مدل در بنچمارک‌های تایپ‌شده با مدل Jev برابری می‌کند و برای آموزش آن از ۳۰ هزار نمونه داده روی سخت‌افزار 8xH200 استفاده شده است. طبق اعلام توسعه‌دهنده، زمان پاسخگویی این مدل روی یک پردازنده H100 کمتر از ۱۰۰ میلی‌ثانیه است.
اطلاعات فنی و فایل‌های این مدل را می‌توانید در صفحه Hugging Face پروژه مشاهده کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Jev_Omni #H100
کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی با Jev
در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است.
مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند.
ویژگی‌های کلیدی و کاربردی:
* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه.
* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache).
* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد.
* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.
#Jev #Model_Routing
در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است.
مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند.
ویژگی‌های کلیدی و کاربردی:
* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه.
* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache).
* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد.
* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Jev #Model_Routing
کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی با Jev
در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است.
مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند.
ویژگی‌های کلیدی و کاربردی:
* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه.
* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache).
* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد.
* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.
#Jev #Model_Routing
در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است.
مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند.
ویژگی‌های کلیدی و کاربردی:
* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه.
* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache).
* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد.
* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Jev #Model_Routing
This media is not supported in your browser
VIEW IN TELEGRAM
⚡ معرفی مدل‌های بنیادین Decision 3.0
مدل‌های جدید Decision 3.0 با تمرکز بر رویکرد چندوجهی (Multimodal) عرضه شدند. این مجموعه شامل مدل‌هایی با ابعاد ۰.۶ تا ۲۷ میلیارد پارامتر است که به صورت متن‌باز در دسترس قرار گرفته‌اند.
طبق ارزیابی‌های انجام‌شده در شاخص Jev Decision، این مدل‌ها در هر دو رده‌بندی عملکرد خود، جایگاه نخست را کسب کرده‌اند و مرز جدیدی از کارایی (Pareto frontier) را برای مدل‌های تصمیم‌گیر تعریف می‌کنند.
مجموعه کامل این مدل‌ها را می‌توانید از طریق صفحه Hugging Face این پروژه دریافت کنید. اطلاعات بیشتر درباره متدولوژی و جزئیات فنی این مدل‌ها نیز در وب‌سایت VLLM-SR قابل مشاهده است.
#Decision_3_0 #Jev_Decision_Index
مدل‌های جدید Decision 3.0 با تمرکز بر رویکرد چندوجهی (Multimodal) عرضه شدند. این مجموعه شامل مدل‌هایی با ابعاد ۰.۶ تا ۲۷ میلیارد پارامتر است که به صورت متن‌باز در دسترس قرار گرفته‌اند.
طبق ارزیابی‌های انجام‌شده در شاخص Jev Decision، این مدل‌ها در هر دو رده‌بندی عملکرد خود، جایگاه نخست را کسب کرده‌اند و مرز جدیدی از کارایی (Pareto frontier) را برای مدل‌های تصمیم‌گیر تعریف می‌کنند.
مجموعه کامل این مدل‌ها را می‌توانید از طریق صفحه Hugging Face این پروژه دریافت کنید. اطلاعات بیشتر درباره متدولوژی و جزئیات فنی این مدل‌ها نیز در وب‌سایت VLLM-SR قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Decision_3_0 #Jev_Decision_Index