FSCP

@f_s_c_p · Russian · active

Subscribers 13.6K Subscribers, last 30 days: 13.6K → 13.6K +0 24h
Reach per post (ERR) 6.5%890 avg views
Posting 24.2/day last 1 hour ago
Reactions per 1K views 6.1 😁 ❤ 🔥
edited

https://t.me/Futuris/4840 Похоже происходит новый ChatGPT момент - Диогу Алмейда, один из людей, стоявших у истоков ChatGPT, соавтор InstructGPT - исследования, которое помогло заложить основу ChatGPT, вместе с командой TypeSafe спустя 2 года в стелсе выкатил Jev. Разработчики называют её первым представителем своего класса System One Models — моделей для быстрых решений. Проверять действия других ИИ, выбирать инструменты, замечать подозрительные операции, разбирать обращения клиентов и управлять игровым персонажем в реальном времени. Именно такие задачи предлагают поручать Jev. В собственных тестах автоматизации разработчики сравнили её с генеративными моделями OpenAI, Anthropic и DeepSeek, которым поручили такие же задачи с выдачей структурированных решений. На сайте заявлены ускорение в 193,6 раза и снижение стоимости в 444,6 раза, но эти показатели относятся к выбранным тестам и не означают такое преимущество над каждой моделью. Цена Jev составляет $0,042 за миллион входных токенов, за выход отдельно не берут. В демке с Doom модель принимает решения около десяти раз в секунду, получая данные о состоянии игры. А команда Every получила 777 оценок документов менее чем за 0,7 секунды. Это позволяет представить агента, который проверяет себя после каждого действия. Сторонняя проверка выглядит скромнее, но всё равно впечатляет: в небольшом тесте Every Jev проверяла тексты в 25 раз быстрее и примерно в 580 раз дешевле Fable 5.1 high. Однако нашла 6 из 7 заложенных ошибок, тогда как Fable нашла все семь. В чём суть: Обычная генеративная LLM последовательно создаёт токены ответа. Jev получает описание ситуации и параллельно выдаёт оценки по заданным вопросам. Например: «Клиент недоволен? Проблема срочная? Нужен человек?» Программа получает вероятности и действует по ним. Команда заявляет собственную архитектуру и обучение RLCD, которое должно учить модель адекватно оценивать уверенность в своих решениях. Да. RLCD здесь, пожалуй, одна из самых интересных частей Jev.Объяснение авторов. Если подход подтвердится, это может дать начало новому поколению ИИ-агентов. Большая модель строит план, а быстрые модели вроде Jev помогают выбирать действия и проверять результат на каждом шаге. Чем дешевле такая проверка, тем больше попыток, экспериментов и исправлений можно сделать за те же деньги. Это график точности и стоимости выполнения задач из тестов TypeSafe. Чем точка выше и левее, тем лучше: больше правильных решений за меньшие деньги. Ромбы обозначают задачи, разбитые программой на отдельные проверки. Кружки означают, что всю задачу описали модели одним промптом. Цвет обозначает поставщика модели. Розовая точка слева это Jev. Jev здесь самая дешёвая, но не самая точная. У Sol около 74%, у Opus 5 около 73%. Самое показательное сравнение с Sonnet 5: одинаковые 67,8% точности, при этом Jev примерно в 294 раза дешевле и в 195 раз быстрее. С Terra точность тоже практически совпадает, выигрыш составляет примерно 76 раз по стоимости и 25 раз по скорости. Ещё раз: Jev не предназначена для написания текстов или кода, как ChatGPT. Она анализирует информацию и выдаёт оценки: есть ли ошибка, насколько срочный запрос, какое действие выбрать. Поэтому график сравнивает модели именно в таких задачах, а не по качеству текстов или программирования. _______ Источник | #Futuris @F_S_C_P ▪️Генерируй картинки и видео в Mini App: Flux + Veo 3 + Wan 2.2 + MidJourney v7 + другие

Views over time

025050075016 Sep 11:5312 Nov 09:5676716 Sep 11:53: 0 views12 Nov 09:56: 767 views
Snapshots we took after posting.
WhenViews
16 Sep 2026, 11:530
12 Nov 2026, 09:56767

Who shared this post

Posts in other channels we index that link to this one. (Forwards with a hidden source can't be traced.)

Nobody yet.