🤖 شرکت TypeSafe AI مدل Jev را معرفی کرد — مدلی برای ماشین‌ها، نه انسان‌ها
استارتاپ TypeSafe AI با سرمایه ۴۰ میلیون دلاری، مدل «پیشرو» Jev را معرفی کرده که به‌جای متن، تصمیم‌های احتمالاتی نوع‌دار (typed probabilistic decisions) برای نرم‌افزارهای دیگر تولید می‌کند. 🧩
📌 به‌جای پاسخ به پرامپت، ساختاری مثل
⚡️ به لطف پردازش موازی (معماری RLCD، System One)، پاسخ در ۷۰ تا ۵۰۰ میلی‌ثانیه — ۴۰ تا ۲۰۰ برابر سریع‌تر از LLMهای معمولی. در دمو: ۰.۱۱۴ ثانیه در مقابل ۸.۵۶۶ ثانیه برای GPT-5.6 Terra.
💰 قیمت: ۰.۰۴۲ دلار به ازای هر میلیون توکن ورودی، خروجی رایگان — تا ۲۳۸ برابر ارزان‌تر از مدل‌های برتر.
🎮مدل Jev می‌تواند Doom بازی کند، اما هدفش فرآیندهای تجاری است: دسته‌بندی درخواست‌ها، خودکارسازی، فراخوانی ابزارهای عامل‌ها، جایی که «توهم» (hallucination) غیرقابل قبول است.
🧠 مدیرعامل، دیوگو آلمیدا، پژوهشگر سابق OpenAI و هم‌نویسنده RLHF و ChatGPT است.
⚠️ در Reddit یک توسعه‌دهنده ادعا کرده که معماری مشابهی را در مارس ۲۰۲۵ ساخته و کد، دیتاست و مقاله را منتشر کرده، اما بدون پشتیبانی مانده است. 📄
🔗 لینک به پست Reddit
#AI #Jev
🆔 @asrgooyeshpardaz
استارتاپ TypeSafe AI با سرمایه ۴۰ میلیون دلاری، مدل «پیشرو» Jev را معرفی کرده که به‌جای متن، تصمیم‌های احتمالاتی نوع‌دار (typed probabilistic decisions) برای نرم‌افزارهای دیگر تولید می‌کند. 🧩
📌 به‌جای پاسخ به پرامپت، ساختاری مثل
{"billing": 0.08, "technical": 0.85} با ارزیابی اطمینان ارائه می‌دهد. این کار پارس و اعتبارسنجی متن LLM را حذف می‌کند.⚡️ به لطف پردازش موازی (معماری RLCD، System One)، پاسخ در ۷۰ تا ۵۰۰ میلی‌ثانیه — ۴۰ تا ۲۰۰ برابر سریع‌تر از LLMهای معمولی. در دمو: ۰.۱۱۴ ثانیه در مقابل ۸.۵۶۶ ثانیه برای GPT-5.6 Terra.
💰 قیمت: ۰.۰۴۲ دلار به ازای هر میلیون توکن ورودی، خروجی رایگان — تا ۲۳۸ برابر ارزان‌تر از مدل‌های برتر.
🎮مدل Jev می‌تواند Doom بازی کند، اما هدفش فرآیندهای تجاری است: دسته‌بندی درخواست‌ها، خودکارسازی، فراخوانی ابزارهای عامل‌ها، جایی که «توهم» (hallucination) غیرقابل قبول است.
🧠 مدیرعامل، دیوگو آلمیدا، پژوهشگر سابق OpenAI و هم‌نویسنده RLHF و ChatGPT است.
⚠️ در Reddit یک توسعه‌دهنده ادعا کرده که معماری مشابهی را در مارس ۲۰۲۵ ساخته و کد، دیتاست و مقاله را منتشر کرده، اما بدون پشتیبانی مانده است. 📄
🔗 لینک به پست Reddit
#AI #Jev
🆔 @asrgooyeshpardaz
Reddit
From the LocalLLaMA community on Reddit: I literally built the Jev architecture one year back and completely open-sourced it with…
Explore this post and more from the LocalLLaMA community
📚 معرفی awesome-jev: فهرست جامع منابع و پروژه‌های Jev
مخزن awesome-jev یک فهرست منتخب از برنامه‌ها، کتابخانه‌ها، ابزارها و پژوهش‌های ساخته‌شده با Jev است — مدل «System One» شرکت TypeSafe AI که به‌جای تولید متن، تصمیم‌های نوع‌دار (typed decisions) با احتمال کالیبره‌شده برمی‌گرداند.
🔹 مدل Jev چیست؟
مدل Jev یک مدل ترنسفورمری است، اما مدل زبانی بزرگ از نوعی که تاکنون می‌شناختیم، نیست. شما وضعیت برنامه و مجموعه‌ای از پرسش‌های نوع‌دار را می‌فرستید و Jev پاسخ‌های نوع‌دار با احتمال کالیبره‌شده برمی‌گرداند. سه نوع پرسش وجود دارد:
· پرسش Choice: انتخاب یک گزینه از میان چند گزینه
· پرسش Score: امتیازدهی بر اساس سطوح مرتب
· پرسش Noul: احتمال بله/خیر بین ۰ و ۱
📂 محتوای این مخزن:
· رسمی: مستندات API، Playground، کنسول و GitHub
· ابزارهای SDK و کلاینت‌ها: پایتون، جاوااسکریپت/تایپ‌اسکریپت، Elixir و...
· برنامه‌ها: ابزارها و اپلیکیشن‌های ساخته‌شده با Jev
· دموها و بازی‌ها: نمونه‌های تعاملی
· ابزارهای عامل: ابزارهای مرتبط با ایجنت‌ها
· پژوهش و مدل‌های باز: مقاله‌ها و مدل‌های متن‌باز
💰 چرا Jev مهم شده؟
طبق گزارش TypeSafe، مدل Jev تا ۱۹۳.۶ برابر سریع‌تر و ۴۴۴.۶ برابر ارزان‌تر از مدل‌های زبانی پیشرو در ارزیابی‌های داخلی است. قیمت ورودی ۰.۰۴۲ دلار به ازای هر میلیون توکن و خروجی رایگان است. تأخیر پاسخ بین ۷۰ تا ۵۰۰ میلی‌ثانیه است.
⚠️ محدودیت‌ها
مدل Jev نمی‌تواند متن آزاد تولید کند، کد بنویسد، سند بنویسد یا گفتگو کند. کاربرد آن محدود به وظایفی است که فضای پاسخ از قبل مشخص است.
🔗 GitHub
#AI #Jev #TypeSafe #OpenSource
🆔 @asrgooyeshpardaz
مخزن awesome-jev یک فهرست منتخب از برنامه‌ها، کتابخانه‌ها، ابزارها و پژوهش‌های ساخته‌شده با Jev است — مدل «System One» شرکت TypeSafe AI که به‌جای تولید متن، تصمیم‌های نوع‌دار (typed decisions) با احتمال کالیبره‌شده برمی‌گرداند.
🔹 مدل Jev چیست؟
مدل Jev یک مدل ترنسفورمری است، اما مدل زبانی بزرگ از نوعی که تاکنون می‌شناختیم، نیست. شما وضعیت برنامه و مجموعه‌ای از پرسش‌های نوع‌دار را می‌فرستید و Jev پاسخ‌های نوع‌دار با احتمال کالیبره‌شده برمی‌گرداند. سه نوع پرسش وجود دارد:
· پرسش Choice: انتخاب یک گزینه از میان چند گزینه
· پرسش Score: امتیازدهی بر اساس سطوح مرتب
· پرسش Noul: احتمال بله/خیر بین ۰ و ۱
📂 محتوای این مخزن:
· رسمی: مستندات API، Playground، کنسول و GitHub
· ابزارهای SDK و کلاینت‌ها: پایتون، جاوااسکریپت/تایپ‌اسکریپت، Elixir و...
· برنامه‌ها: ابزارها و اپلیکیشن‌های ساخته‌شده با Jev
· دموها و بازی‌ها: نمونه‌های تعاملی
· ابزارهای عامل: ابزارهای مرتبط با ایجنت‌ها
· پژوهش و مدل‌های باز: مقاله‌ها و مدل‌های متن‌باز
💰 چرا Jev مهم شده؟
طبق گزارش TypeSafe، مدل Jev تا ۱۹۳.۶ برابر سریع‌تر و ۴۴۴.۶ برابر ارزان‌تر از مدل‌های زبانی پیشرو در ارزیابی‌های داخلی است. قیمت ورودی ۰.۰۴۲ دلار به ازای هر میلیون توکن و خروجی رایگان است. تأخیر پاسخ بین ۷۰ تا ۵۰۰ میلی‌ثانیه است.
⚠️ محدودیت‌ها
مدل Jev نمی‌تواند متن آزاد تولید کند، کد بنویسد، سند بنویسد یا گفتگو کند. کاربرد آن محدود به وظایفی است که فضای پاسخ از قبل مشخص است.
🔗 GitHub
#AI #Jev #TypeSafe #OpenSource
🆔 @asrgooyeshpardaz
❤2
This media is not supported in your browser
VIEW IN TELEGRAM
📌 شکست Ender Dragon با Jev و Astra در ۸ دقیقه و ۴۳ ثانیه
یک توسعه‌دهنده با ترکیب مدل تصمیم‌گیری Jev و مدل GPT-6 Astra عاملی ساخته که Ender Dragon را در ۸ دقیقه و ۴۳ ثانیه شکست می‌دهد. هزینه اجرا ۰.۹۷ دلار بود.
⚙️ نحوه کار
• مدل Astra هدف، آیتم‌های لازم و مسیر حرکت را تعیین می‌کند.
• مدل Jev اقدام بعدی را انتخاب می‌کند؛ از حرکت و استخراج بلوک تا ساخت آیتم و مبارزه.
• عامل از داده‌های بازی و کتابخانه Mineflayer استفاده می‌کند، نه تصاویر صفحه و فشردن مستقیم کلیدها.
🧠 یادگیری از شکست
پس از هر شکست، Astra مهارت‌هایی در قالب فایل‌های mjs می‌ساخت تا عامل در تلاش‌های بعدی از آن‌ها استفاده کند.
📊 جزئیات اجرا
• ۱۳۱ تصمیم Jev و ۳۵ فراخوانی Astra
• ۴۰٪ سریع‌تر از رکورد قبلی ۱۴ دقیقه و ۳۱ ثانیه‌ای
• اجرا در حالت Peaceful و با یک seed شناخته‌شده انجام شد.
🔗 کد پروژه
🔗 توییت اصلی
#AI #Minecraft #Agent #Jev #Astra #OpenSource
🆔 @asrgooyeshpardaz
یک توسعه‌دهنده با ترکیب مدل تصمیم‌گیری Jev و مدل GPT-6 Astra عاملی ساخته که Ender Dragon را در ۸ دقیقه و ۴۳ ثانیه شکست می‌دهد. هزینه اجرا ۰.۹۷ دلار بود.
⚙️ نحوه کار
• مدل Astra هدف، آیتم‌های لازم و مسیر حرکت را تعیین می‌کند.
• مدل Jev اقدام بعدی را انتخاب می‌کند؛ از حرکت و استخراج بلوک تا ساخت آیتم و مبارزه.
• عامل از داده‌های بازی و کتابخانه Mineflayer استفاده می‌کند، نه تصاویر صفحه و فشردن مستقیم کلیدها.
🧠 یادگیری از شکست
پس از هر شکست، Astra مهارت‌هایی در قالب فایل‌های mjs می‌ساخت تا عامل در تلاش‌های بعدی از آن‌ها استفاده کند.
📊 جزئیات اجرا
• ۱۳۱ تصمیم Jev و ۳۵ فراخوانی Astra
• ۴۰٪ سریع‌تر از رکورد قبلی ۱۴ دقیقه و ۳۱ ثانیه‌ای
• اجرا در حالت Peaceful و با یک seed شناخته‌شده انجام شد.
🔗 کد پروژه
🔗 توییت اصلی
#AI #Minecraft #Agent #Jev #Astra #OpenSource
🆔 @asrgooyeshpardaz
🆒4🌭1🍌1
🤖 ۸ کاربرد جالب مدل Jev: از بررسی کد تا دسته‌بندی مقالات
مدل Jev از شرکت TypeSafe AI، برخلاف مدل‌های زبانی معمول، به‌جای تولید متن، به پرسش‌های ساختاریافته پاسخ می‌دهد و تصمیم‌ها و احتمال‌ها را برمی‌گرداند. همین ویژگی آن را بسیار سریع‌تر و ارزان‌تر کرده است. در ادامه ۸ نمونه از کاربردهای واقعی آن را می‌بینید.
۱. بررسی درخواست‌های ادغام کد با هزینه نزدیک صفر
یک کاربر یک بررسی‌کننده کد ساخته که تفاوت‌های کد را به Jev می‌فرستد و ۱۴ بررسی (افشای رمز، تزریق SQL، تغییرات احراز هویت، تست‌های حذف‌شده و...) را در یک فراخوانی دریافت می‌کند. هزینه هر بررسی ۰.۰۰۰۰۷ دلار و زمان پاسخ حدود نیم ثانیه است. بررسی ۱۰۰۰ درخواست حدود ۷ سنت تمام می‌شود، در مقابل حدود ۱۴.۵ دلار با Opus 5.
۲. کنترل کامپیوتر
ابزاری به نام Third Hand با Jev در کمتر از یک ثانیه پاسخ می‌دهد و تقریباً بدون هزینه است. می‌تواند تصمیم بگیرد چه چیزی تایپ کند و نیازی به مدل زبانی جداگانه ندارد.
۳. یافتن لینک‌های داخلی در یک وب‌سایت
خواندن ۵۸۶ صفحه و بازسازی نقشه لینک‌های داخلی در ۴۵.۱ ثانیه با هزینه ۰.۲۱ دلار. ۵۸۴ لینک قرار داده و ۱۳۹ صفحه را بدون تطبیق مناسب رد کرده است.
۴. دسته‌بندی اسناد مالیاتی با حدود ۰.۰۰۱ دلار برای هر صفحه
یک طبقه‌بند اسناد مالیاتی با Jev ساخته شده که ۳۴ برابر ارزان‌تر و ۶ برابر سریع‌تر از خط لوله قبلی است. دقت ۱۰۰٪ روی ۳۱۴ صفحه فرم پرشده و ۷۵۳ صفحه خالی (با ۳۸ صفحه زیر آستانه اطمینان).
۵. بازی Subway Surfers در ۵۰ بازی هم‌زمان
یک کاربر Jev را برای بازی Subway Surfers با سرعت فوق‌بشری به کار برده و ۵۰ بازی را هم‌زمان اجرا کرده است. هزینه این اجرا کمتر از یک سنت بوده.
۶. پاک‌سازی سریع‌تر حافظه یک عامل
پروژه‌ای با Jev تاریخچه مکالمه عامل را فشرده می‌کند، تماس‌های ابزار و نتایج را نمره‌دهی کرده و مطالب غیرضروری را حذف یا کوتاه می‌کند، بدون تغییر در متن اصلی.
۷. ربات معاملاتی
یک ربات با Jev تصمیم می‌گیرد از یک جفت ارز بخرد یا بفروشد و معاملات واقعی را از طریق دفتر سفارش Kuru در Monad اجرا می‌کند. مدل تصمیم را می‌دهد و برنامه اطراف آن سفارش را مدیریت می‌کند.
۸. سازمان‌دهی بیش از ۱۰۰۰ مقاله پژوهشی هوش مصنوعی
دسته‌بندی ۱۰۱۸ مقاله با Jev تنها ۰.۰۸ دلار هزینه داشته و میانه تأخیر ۲۵۶ میلی‌ثانیه در هر مقاله بوده. ابتدا DeepSeek V4 Flash خلاصه‌ها را ساخته و سپس Jev با ۲۴ موضوع ممکن، هر مقاله را دسته‌بندی کرده است.
💰 چرا Jev؟
هزینه پایین Jev اجازه می‌دهد کارهایی که با مدل‌های گران توجیه‌پذیر نبودند، اکنون اقتصادی شوند. ترکیب Jev با مدل‌های دیگر (مثل DeepSeek برای خلاصه‌سازی) نیز الگوی قدرتمندی برای ساخت ابزارهای کاربردی است.
🔗 منبع: Medium
#AI #Jev #TypeSafe #Automation
🆔 @asrgooyeshpardaz
مدل Jev از شرکت TypeSafe AI، برخلاف مدل‌های زبانی معمول، به‌جای تولید متن، به پرسش‌های ساختاریافته پاسخ می‌دهد و تصمیم‌ها و احتمال‌ها را برمی‌گرداند. همین ویژگی آن را بسیار سریع‌تر و ارزان‌تر کرده است. در ادامه ۸ نمونه از کاربردهای واقعی آن را می‌بینید.
۱. بررسی درخواست‌های ادغام کد با هزینه نزدیک صفر
یک کاربر یک بررسی‌کننده کد ساخته که تفاوت‌های کد را به Jev می‌فرستد و ۱۴ بررسی (افشای رمز، تزریق SQL، تغییرات احراز هویت، تست‌های حذف‌شده و...) را در یک فراخوانی دریافت می‌کند. هزینه هر بررسی ۰.۰۰۰۰۷ دلار و زمان پاسخ حدود نیم ثانیه است. بررسی ۱۰۰۰ درخواست حدود ۷ سنت تمام می‌شود، در مقابل حدود ۱۴.۵ دلار با Opus 5.
۲. کنترل کامپیوتر
ابزاری به نام Third Hand با Jev در کمتر از یک ثانیه پاسخ می‌دهد و تقریباً بدون هزینه است. می‌تواند تصمیم بگیرد چه چیزی تایپ کند و نیازی به مدل زبانی جداگانه ندارد.
۳. یافتن لینک‌های داخلی در یک وب‌سایت
خواندن ۵۸۶ صفحه و بازسازی نقشه لینک‌های داخلی در ۴۵.۱ ثانیه با هزینه ۰.۲۱ دلار. ۵۸۴ لینک قرار داده و ۱۳۹ صفحه را بدون تطبیق مناسب رد کرده است.
۴. دسته‌بندی اسناد مالیاتی با حدود ۰.۰۰۱ دلار برای هر صفحه
یک طبقه‌بند اسناد مالیاتی با Jev ساخته شده که ۳۴ برابر ارزان‌تر و ۶ برابر سریع‌تر از خط لوله قبلی است. دقت ۱۰۰٪ روی ۳۱۴ صفحه فرم پرشده و ۷۵۳ صفحه خالی (با ۳۸ صفحه زیر آستانه اطمینان).
۵. بازی Subway Surfers در ۵۰ بازی هم‌زمان
یک کاربر Jev را برای بازی Subway Surfers با سرعت فوق‌بشری به کار برده و ۵۰ بازی را هم‌زمان اجرا کرده است. هزینه این اجرا کمتر از یک سنت بوده.
۶. پاک‌سازی سریع‌تر حافظه یک عامل
پروژه‌ای با Jev تاریخچه مکالمه عامل را فشرده می‌کند، تماس‌های ابزار و نتایج را نمره‌دهی کرده و مطالب غیرضروری را حذف یا کوتاه می‌کند، بدون تغییر در متن اصلی.
۷. ربات معاملاتی
یک ربات با Jev تصمیم می‌گیرد از یک جفت ارز بخرد یا بفروشد و معاملات واقعی را از طریق دفتر سفارش Kuru در Monad اجرا می‌کند. مدل تصمیم را می‌دهد و برنامه اطراف آن سفارش را مدیریت می‌کند.
۸. سازمان‌دهی بیش از ۱۰۰۰ مقاله پژوهشی هوش مصنوعی
دسته‌بندی ۱۰۱۸ مقاله با Jev تنها ۰.۰۸ دلار هزینه داشته و میانه تأخیر ۲۵۶ میلی‌ثانیه در هر مقاله بوده. ابتدا DeepSeek V4 Flash خلاصه‌ها را ساخته و سپس Jev با ۲۴ موضوع ممکن، هر مقاله را دسته‌بندی کرده است.
💰 چرا Jev؟
هزینه پایین Jev اجازه می‌دهد کارهایی که با مدل‌های گران توجیه‌پذیر نبودند، اکنون اقتصادی شوند. ترکیب Jev با مدل‌های دیگر (مثل DeepSeek برای خلاصه‌سازی) نیز الگوی قدرتمندی برای ساخت ابزارهای کاربردی است.
🔗 منبع: Medium
#AI #Jev #TypeSafe #Automation
🆔 @asrgooyeshpardaz
Medium
8 Cool Things People Use the Jev Model For
People are using Jev to review code, control computers, play games, and organize research. Here are my favorites.
❤3
🗄️ معرفی pg-jev: پرسیدن سوال از جداول پستگرس با زبان ساده
یک افزونه جدید برای پایگاه داده PostgreSQL منتشر شده که به شما اجازه می‌دهد بدون نوشتن کوئری‌های پیچیده، با زبان ساده از جدول‌های خود سوال بپرسید.
🔍 این افزونه چطور کار می‌کند؟
افزونه pg-jev که توسط توسعه‌دهنده‌ای به نام Zachi ساخته شده، به شما امکان می‌دهد شرط‌های خود را به زبان طبیعی در جمله WHERE بنویسید. مثلاً به جای اینکه بنویسید
می‌توانید بنویسید
و پستگرس بقیه کارها را انجام می‌دهد.
هر سطر جدول توسط مدل Jev از شرکت TypeSafe قضاوت می‌شود — مدلی که به‌جای تولید متن، احتمال‌های کالیبره‌شده برمی‌گرداند. این یعنی نیازی به ستون برداری (Vector Column)، ایندکس embedding یا هیچ ساختار داده اضافی ندارید.
⚙️ قابلیت‌های کلیدی
این افزونه چند تابع مختلف ارائه می‌دهد:
· تابع jev(): یک شرط بولی برای فیلتر کردن سطرها در WHERE.
· تابع jev_prob(): احتمال بین ۰ تا ۱ برای هر سطر.
· تابع jev_choice(): دسته‌بندی سطرها در گروه‌های مشخص.
· تابع jev_score(): امتیازدهی بر اساس یک معیار مرتب.
🛠 نصب و پیاده‌سازی
کل افزونه در قالب PL/Python نوشته شده و نیازی به کامپایل C ندارد. کافی است فایل‌های jev.control و SQL را کپی کنید و دستور
را اجرا کنید.
🎯 خلاصه
این افزونه یک رویکرد جدید برای جستجوی معنایی در پایگاه داده ارائه می‌دهد. به‌جای راه‌اندازی سیستم‌های پیچیده vector search، می‌توانید مستقیماً در SQL با زبان طبیعی فیلتر کنید. همچنین نسخه‌ای برای DuckDB نیز ساخته شده که همان قابلیت‌ها را روی این پایگاه داده فراهم می‌کند.
🔗 وب‌سایت رسمی | GitHub
#هوش_مصنوعی #PostgreSQL #پایگاه_داده #Jev #pgjev
🆔 @asrgooyeshpardaz
یک افزونه جدید برای پایگاه داده PostgreSQL منتشر شده که به شما اجازه می‌دهد بدون نوشتن کوئری‌های پیچیده، با زبان ساده از جدول‌های خود سوال بپرسید.
🔍 این افزونه چطور کار می‌کند؟
افزونه pg-jev که توسط توسعه‌دهنده‌ای به نام Zachi ساخته شده، به شما امکان می‌دهد شرط‌های خود را به زبان طبیعی در جمله WHERE بنویسید. مثلاً به جای اینکه بنویسید
WHERE age > 40 AND city = 'Tehran'،
می‌توانید بنویسید
WHERE jev(people, 'the person could work from home')
و پستگرس بقیه کارها را انجام می‌دهد.
هر سطر جدول توسط مدل Jev از شرکت TypeSafe قضاوت می‌شود — مدلی که به‌جای تولید متن، احتمال‌های کالیبره‌شده برمی‌گرداند. این یعنی نیازی به ستون برداری (Vector Column)، ایندکس embedding یا هیچ ساختار داده اضافی ندارید.
⚙️ قابلیت‌های کلیدی
این افزونه چند تابع مختلف ارائه می‌دهد:
· تابع jev(): یک شرط بولی برای فیلتر کردن سطرها در WHERE.
· تابع jev_prob(): احتمال بین ۰ تا ۱ برای هر سطر.
· تابع jev_choice(): دسته‌بندی سطرها در گروه‌های مشخص.
· تابع jev_score(): امتیازدهی بر اساس یک معیار مرتب.
🛠 نصب و پیاده‌سازی
کل افزونه در قالب PL/Python نوشته شده و نیازی به کامپایل C ندارد. کافی است فایل‌های jev.control و SQL را کپی کنید و دستور
CREATE EXTENSION jev CASCADE
را اجرا کنید.
🎯 خلاصه
این افزونه یک رویکرد جدید برای جستجوی معنایی در پایگاه داده ارائه می‌دهد. به‌جای راه‌اندازی سیستم‌های پیچیده vector search، می‌توانید مستقیماً در SQL با زبان طبیعی فیلتر کنید. همچنین نسخه‌ای برای DuckDB نیز ساخته شده که همان قابلیت‌ها را روی این پایگاه داده فراهم می‌کند.
🔗 وب‌سایت رسمی | GitHub
#هوش_مصنوعی #PostgreSQL #پایگاه_داده #Jev #pgjev
🆔 @asrgooyeshpardaz
pgjev
pgjev - ask your Postgres tables questions in plain language
Ask your Postgres tables questions in plain language. jev() returns a boolean, a probability, a rubric score or a class per row. No embeddings, no index.
👏2👎1