Свеобухватни водич за Jev: Модел System One компаније TypeSafe AI и његов утицај на интелигентну аутоматизацију одлучивања

Џев АИ представља смео одмак од традиционалног пејзажа језика и модела, доводећи у питање фундаменталне претпоставке о томе како, где и зашто вештачка интелигенција треба да доноси одлуке унутар модерног софтвера. Без обзира да ли сте програмер који тражи практичну аутоматизацију, менаџер производа који преиспитује како ваши радни токови користе интелигенцију или ентузијаста за АИ жељан да разуме следећи скок у архитектурама модела, овај водич пружа свеобухватан преглед: шта је Џев, како функционише, његови кључни принципи дизајна, примена у стварном свету и шта га издваја у претрпаном пољу генеративне АИ.

Заборавите све што знате о великим језичким моделима који генеришу бескрајне пасусе прозе: Џев не пише, не сумира, не објашњава, не генерише код, нити прича приче. Уместо тога, дизајниран је да пружи концизне, откуцане процене изванредном брзином, покрећући хиљаде аутоматизованих одлука у секунди, уз – а не замењујући – моћније језичке моделе. Спремите се: истражићемо сваки аспект овог амбициозног приступа „Система Један“ од TypeSafe AI.

Представљамо Џева: Модел само за доношење одлука од TypeSafe AI

Jev је гранични модел вештачке интелигенције који је развила компанија TypeSafe AI , компанија са седиштем у Сан Франциску, коју је 2024. године основао Диого Алмеида, бивши сарадник OpenAI-ја познат по су-креирању RLHF-а (учење појачањем из људских повратних информација), InstructGPT-а, ChatGPT-а и GPT-4. Званично се појавио из прикривеног периода 15. септембра 2026. године, лансиран уз рунду финансирања од 40 милиона долара коју је предводио DCVC, што сигнализира озбиљну подршку индустрије. ( Званична страница )

Порука која стоји иза Џева редефинише парадигму модела вештачке интелигенције: уместо да производи текст или код на природном језику, Џев враћа структуриране, откуцане одговоре са калибрисаним вероватноћама и оценама поузданости . Сваки одговор је дизајниран за директну употребу софтвера, а не за људско читање. Ово чини Џева фундаментално другачијим од великих језичких модела (LLM) као што су GPT-4, Claude или Llama, који се фокусирају на генерисање и расуђивање кроз језик.

Шта чини Џева јединственим? Принцип система један

Џев је прототип онога што TypeSafe AI назива „моделом Систем Један“. Идеја је инспирисана радом психолога Данијела Канемана „Размишљање, брзо и споро“, који прави разлику између Систем 1 (брзо, интуитивно доношење одлука) и Систем 2 (споро, логичко размишљање). Џев је експлицитно направљен за Систем 1: одлуке у делићу секунде, а не продужено размишљање.

TypeSafe-ова дефиниција модела System One: модел вештачке интелигенције који извршава брзе, паралелне, структуриране одлуке које се беспрекорно интегришу у аутоматизоване петље (агентске оквире, роботику, игре или цевоводе за стримовање података). Уместо корак-по-корак секвенцијалног генерисања, Jev обрађује све ваше податке одједном и тренутно одговара на сва ваша питања.

• Не генерише отворени текст, неконтролисане излазе или кршења шеме — само унапред дефинисане одговоре.
• Три примитивна питања (типа питања), са потпуно откуцано и валидирано одговори.
• Архитектура оптимизована за изузетну брзину (типично 70–500 мс по позиву) и ниску цену (око 0.0000126 долара по типичном захтеву за тикет), наводно до 400 пута јефтинија и 200 пута бржа од генеративних LLM-ова када се примењују за токове рада класификације и тријаже.

„Не може халуцинирати“ је кључна гаранција: са Јевом, модел не може генерисати вредности ван шеме питања, ефикасно елиминишући један од најфрустрирајућих проблема у системима заснованим на LLM-у. И даље може да изабере валидну, али нетачну вредност , али никада нећете добити неочекивани или неважећи тип.

Три примитивна бића: избор, резултат и нул

У сржи Џевог дизајна налазе се три атомска типа питања која се називају примитиви . Ови примитиви су једини начин на који интерагујете са моделом. Ова једноставност је намерна - није ограничење које треба заобићи, већ избор дизајна усмерен ка поузданости и брзини.

• Избор: Бира једну опцију из дефинисаног скупа (до 255). Враћа изабрану опцију, вероватноће по опцији и оцену поузданости.
• Оцена: Бира позицију на уређеној скали коју дефинишете (од 2 до 10 нивоа). Враћа средњу вредност пондерисану вероватноћом (која може бити између нивоа), пуну расподелу вероватноће и оцену поузданости.
• Нул: Одговара на питање са да или не као вероватноћу између 0 (дефинитивно не) и 1 (дефинитивно да). Идеално за задатке класификације, филтрирања или контроле приступа.

Сва питања се процењују паралелно и независно у односу на ваше унето „стање“. Ово вам омогућава да групишете стотине или чак хиљаде питања у један API позив са малим утицајем на укупну латенцију.

По чему се Џев разликује од мастер студија права и традиционалних класификатора

LLM-ови као што су GPT-4, Claude и Llama генеришу излаз један токен у исто време , враћајући сваки генерисани токен као улаз за следећи (ауторегресија). Ово је природно за разговор и генерисање, али је инхерентно споро и скупо за понављајуће, високофреквентне задатке. Чак и када враћају структуриране излазе, они и даље „размишљају“ генеришући секвенце токена – сваки JSON одговор, сваки кратки фрагмент, сваки позив функције се производи реч по реч.

Традиционални класификатори су брзи, али крути. Захтевају обележене податке и посебан процес обуке или финог подешавања за сваки задатак — што је често непрактично за сваку одлуку у апликацији.

Џејвов хибридни предлог:

• Прихвата неструктурирани текст или структурирани JSON као стање, као LLM, тако да можете дефинисати сопствени контекст током извршавања.
• Враћа строго валидиране одговоре са интервалима поверења, као класификатор, али за произвољна кориснички дефинисана питања и скупове одговора.
• Не захтева обуку за сваки задатак понаособ: Дефинишете своју шему и инструкције у време закључивања.

Кључна архитектонска разлика: Џев потпуно избегава генерисање текста, обрађујући стање у једном пролазу и производећи све одговоре у једном кораку унапред. То је кључ његових предности у брзини и трошковима.

Улази и API: Како користити Jev

Сваки Јев захтев има два обавезна поља:

1. Држава: Било који текст, објекат или низ који представља контекст вашег проблема — захтев за подршку, корисничка порука, API корисни терет, структурирани објекти или цела група записа. Прихвата се само текст. За нетекстуалне податке (као што су слике или аудио), потребна је претходна обрада или транскрипција.
2. Питања: Ваш избор, резултат и питање за нулу. Свако питање мора бити потпуно прецизирано, укључујући експлицитна упутства, описе опција (за избор/резултат) и опционо детаљне критеријуме.

Јевов API је конзистентан у свим Пајтону, Типскрипту и главним оквирима за интеграцију вештачке интелигенције (Верселов AI Gateway, OpenRouter, итд.), омогућавајући брзо усвајање у већини развојних стекова.

Примери облика захтева и одговора

Претпоставимо да имате захтев за подршку и треба да означите одељење, хитност и да ли се тражи повраћај новца. Ево поједностављеног примера ради јасноће:

{ "state": "Дугме за извоз доводи до затварања странице са подешавањима у Сафарију. Ради у Chrome-у, али неки корисници користе само Сафари.", "questions": { "department": { "type": "choice", "instructions": "Који тим треба да се бави овим?", "criteria": { "billing": "Наплате, фактуре, повраћаји новца", "technical": "Грешке, прекиди, интеграција", "other": "Све остало" } }, "is_urgent": { "type": "noul", "instructions": "Да ли порука изражава хитност или временски осетљиву потребу?" }, "refund_requested": { "type": "noul", "instructions": "Да ли купац захтева повраћај новца?" } } }

Одговор би био потпуно структуриран објекат који садржи одговоре, вероватноће и поузданост за свако питање.

Паралелизам и спекулативно ширење

Једна од најкориснијих карактеристика Џева је практична ефикасност трошкова и брзине процене више питања у једном позиву. Додавање десет или двадесет додатних питања повећава израчунавање само за величину питања, а не за трајање — ово, названо спекулативно раздвајање , подстиче програмере да унапред поставе свако вероватно питање, а затим обраде одговоре у коду. TypeSafe је показао да ово може смањити трошкове и латенцију за више од реда величине за груписано обележавање или задатке са више критеријума.

Калибрација поверења и наука о поверењу у излаз модела

TypeSafe AI је обучио Jev-а новим алгоритмом под називом Reinforcement Learning for Callibrated Decisions (RLCD) . Уместо оптимизације излаза само да би изгледао тачно (као што RLHF ради у моделима ћаскања), RLCD циља расподеле вероватноће које су калибрисане у односу на стварне исходе . У пракси то значи:

• Ако Џев пријави вероватноћу од 90%, можете очекивати да ће бити тачна у око 90% случајева када се процени на широком скупу случајева.
• Ово је право вероватноћа резоновања, не само одговори који звуче вероватно.
• Калибрација омогућава детаљну контролу у вашем коду – подешавањем прагова акција који одражавају вашу толеранцију за лажно позитивне или лажно негативне резултате на основу стварних стопа грешака, а не произвољних бројева.

Поља поузданости: За типове Избор и Резултат, Јев емитује посебну вредност „поузданости“ изведену из тога колико је концентрована дистрибуција (колико је једна опција доминантна у односу на распоређену дистрибуцију). Висока поузданост сугерише да је модел имао јасног фаворита; ниска поузданост указује на двосмисленост и може се користити за покретање ручног прегледа или резервног корака.

Цене, перформансе и ограничења брзине

Модел трошкова компаније TypeSafe је једна од његових најзначајнијих предности:

• Улазни токени: 0.042 долара по милиону (или 42 долара по милијарди). Ово је далеко јефтиније чак и од јефтиног закључивања помоћу LLM-а (на пример, GPT-4 или Claude унос).
• Излазни токени: Бесплатно. Пошто су Јевови одговори строго откуцани и кратки, нема наплате за њих (за разлику од сваког мастер програма права на тржишту данас).
• Латентност: пријављена медијана од ~100 мс за типичне случајеве (распон 70–500 мс).
• Ограничења стопе: у раном приступу, 250,000 токена/секунду и 1,200 захтева у минути (подложно променама како се приступ буде проширивао).
• Без доплате за паралелизам: Групе питања се наплаћују само по количини уноса, а не по броју истовремених одлука.

Vercel AI Gateway и OpenRouter су интегрисали Jev као изворног провајдера, усклађујући ове тарифе и чинећи Jev доступним чак и ако не добијете директан TypeSafe позив.

Како се Џев уклапа у модерне токове рада агената и аутоматизације

Џев је посебно дизајниран да се уклопи у софтверске петље у реалном времену:

• Тријажа и рутирање догађаја
• презентација
• Означавање и класификација у великим размерама
• Аутоматизована верификација позива алата (у агентима прегледача, агентима за кодирање, контроли робота)
• Претходно филтрирање и бодовање пре позивања скупог LLM-а, ради уштеде новца и убрзања процеса
• Фазе поновног рангирања, филтрирања и дедупликације у претраживању информација, претраживању и RAG цевоводима
• Континуиране петље у симулацији, играма и роботици у реалном времену

Уместо генерисања плана или одговора, Џев пружа тренутне, поново употребљиве интелигенције за оне критичне тренутке „Да ли треба или не треба?“ које типичан код не може добро да обради. Овај модуларни приступ му омогућава да делује као доносилац одлука у сложеним токовима рада – било да означава опасне команде, рутира карте, процењује ризик у коду или филтрира гомиле записа или истраживања.

Интеграциони обрасци и примери кода

Интеграција Јева је једноставна и прилагођена програмерима:

• SDK-ови су доступни за TypeScript и Python. Променљиве окружења садрже ваше TYPESAFE_API_KEYЗахтеви су POST до /v1/systemone.
• Помоћне класе и аутоматско довршавање у TypeScript-у или Python-у олакшавају дефинисање питања и добијање структурираних, типовно безбедних одговора.
• Vercel SDK (v7+) подржава Jev као typesafe-ai/jev, са мало другачијим речником (boolean уместо Нула).
• Провајдери омогућавају глатку интеграцију или повезивање са LLM-овима, омогућавајући хибридне токове рада.

Пример TypeScript-а:

import { choice, noul, score, TypeSafeClient } from '@typesafe-ai/sdk'; const client = new TypeSafeClient(); const { answers } = await client.systemOne({ state: { ticket: 'Извоз узрокује пад Сафарија.' }, questions: { category: choice('Која је ово врста тикета?', { bug_report: 'Грешка', feature_request: 'Нова функција', billing: 'Плаћање', other: null }), severity: score('Озбиљност?', ), refund_requested: noul('Да ли се тражи повраћај новца?'), }, }); if (answers.category.confidence < 0.5) { // ескалирај на људску }

Пример из Пајтона:

из typesafe_sdk импорт Choice, Noul, Score, TypeSafeClient клијент = TypeSafeClient() резултат = client.system_one( стање="Захтеван повраћај новца.", питања={ "одељење": Choice( упутства="Које одељење?", критеријуми={"биллинг": "Наплата", "технички": "Техничка подршка", "остало": Нема} ), "рефунд": Noul( упутства="Да ли се захтева повраћај новца?") } ) print(резултат.answers.choice) print(резултат.answers.noul)

Дизајн система: Како Џев решава конструкцију стања и питања

Џев прихвата стање као:

• Једноставан стринг (порука, пасус итд.)
• JSON објекат (структурирана поља, на пример за сложене записе, разговоре, логове)
• JSON низ текста (историја разговора, групна обрада итд.)

Кључни инжењерски савети:

• Шаљите само податке потребне за одговор на питање. Преоптерећење стања неповезаним контекстом („труљење контекста“) смањује тачност.
• Користите експлицитне референце у питањима са повратним референцама (Does `description` request sponsorship?) да би усмерио Џева ка исправним пољима.
• Увек укључите other or not stated опција у Избору или Резултату да бисте побољшали тачност и избегли присилне нетачне одговоре.
• Фразне именице тако да истина значи „да“, а неистина значи „не“Избегавајте негације и двоструке негативне речи у питањима и коду како бисте смањили забуну.
• За оцену, опишите конкретну видљиву ситуацију, а не степен („Озбиљна грешка, нема решења“ није исто што и „озбиљност: 10“).
• Ограничења скупа података/токена: цео захтев (држава + питања) мора да стане у оквиру 64,000 токена, при чему држава и најдуже питање не смеју да пређу 32,000 токена.

Уобичајени обрасци интеграције и најбоље инжењерске праксе

Спекулативно ширење

Пошто се сва питања процењују паралелно, има смисла груписати што више вероватних независних одлука у један позив. У пракси, то често значи процену опција рутирања, ризика, заставица функција и анализе кода одједном, а затим гранање кода на основу одговора.

Рутирање засновано на поузданости

Користите Џевове оцене поузданости да бисте одлучили када да аутоматизујете, ескалирате или захтевате људску интервенцију. Прагови треба да буду засновани на цени нетачних одговора и могу се динамички прилагођавати или по акцији. Усмерите одговоре са високом поузданошћу и ниским ризиком на аутоматизацију; одговоре са ниском поузданошћу или високим ризиком пошаљите резервном LLM методологији или људском прегледу.

Композитно бодовање

Разложите сложене процене на атомска питања – процените свако независно, а затим комбинујте резултате у коду. На пример, процените кандидате за посао користећи Score или Noul на основу вештина, искуства и културне прилагођености, уместо да се ослањате на једну глобалну процену „подобности“.

Уланчавање модела

Јев делује као јефтин филтер или рутер, шаљући само двосмислене или сложене случајеве скупим LLM-овима. Ово значајно смањује трошкове и латенцију у процесима великог обима.

Пронађи и процени

Не третирајте Џев као базу знања: он види само стање које ви наведете. Преузмите релевантне чињенице, филтрирајте их или поново рангирајте помоћу Џева (нпр. један Нул по одломку) и пошаљите само најбоља подударања у дубље фазе.

Феатуре Енгинееринг

Трансформишите велике неструктуриране скупове података у структуриране карактеристике за машинско учење низводно: класификујте групе записа и издвојите релевантне карактеристике (расположење, намеру, ризик) јефтино и у великим размерама.

Режими рада и отказа: Познавање Јевових ограничења

TypeSafe јасно објављује Јевове снаге и слабости, укључујући његову „назубљеност“. Његова оперативна ограничења и уобичајени начини отказа укључују:

• Џев дословно тумачи упутства: Лоше ограничена, двосмислена или контрадикторна питања често производе неоптималне одговоре. Будите експлицитни и прецизни.
• Не извршава аритметичке или логичке операције: Бројање, сабирање или израчунавање разлике датума треба да се обавља ван модела.
• Нема светско знање и не прикупља спољне информације: све мора бити испоручени у претходном стању.
• Не генерише текст, резимее или код: Користите LLM ако вам је потребан генеративни излаз.
• Веома супарничко окружење или двосмислени уноси могу пристрасно утицати на одговоре: тестирајте граничне случајеве када је тачност важна.
• Контрадикторна упутства или погрешно обликоване шеме смањују тачност: Уверите се да су опције Noul, Choice и Score међусобно искључиве и исцрпне.

Случајеви употребе из стварног света и пројекти заједнице

Аутоматизација прегледача:

• коришћење-прегледача/јев-ултрабрзи демонстрира агента прегледача који резервише лет на Google Flights-у за нешто више од седам секунди, користећи Јева за избор и исправне операције и интерактивног елемента на свакој страници. Овај ток рада истиче Јевове снаге: паралелне одлуке, изузетно ниске трошкове и поуздан резултат (само 0.0039 долара по резервацији)

Класификација истраживачког рада:

• 1kpapers.com извршили су класификацију великих размера више од 1,000 сумираних радова користећи DeepSeek V4 за сумирање и Jev за додељивање тема од 24 кандидата, са латенцијом од око 256 ms и трошковима од само 0.08 долара по класификацији (у односу на 3.99 долара за сумирање).

Упутство за позиве алата код аутономних агента:

• пи-чувар користи Jev пре сваког позива алата у агентима за кодирање да би проверио да ли је команда (нпр. bash or db:reset) је безбедан, усклађен и потенцијално неповратан, спречавајући скупе грешке у аутоматизацији и управљању кодом.

Контрола у реалном времену у играма и роботици:

• јев-дрон приказује како Џев управља симулираним дроном на 2.5 Hz, са стањем генерисаним помоћу рачунарског вида. То је практичан пример симулационих петљи где су ажурирања у реалном времену неопходна.

Филтрирање података и класификација вишеструких ознака:

• typesafe-mario игра Супер Марио Брос користећи меморију емулатора анализирану у JSON, означавајући акције и окружење у реалном времену.
• јев-ревија је систем за фазни преглед кода: матрица ризика путем Noul-ова, након чега следи класификација Choice и Score, са рутирањем заснованим на комбинованим праговима.

Верификација цитата у агентским каналима:

• Џев проверава да ли је цитат или тврдња генерисана помоћу LLM-а поткрепљена, непоткрепљена или оповргнута од стране наведеног извора, делујући као претфилтер и смањујући оптерећење у бучним корацима уземљења.

За више интеграција, репозиторијум awesome-typesafe прати раст екосистема и живе експерименте, са ознакама заједнице које разликују приватне и јавне податке.

Заједница, усвајање и бенчмаркови у стварном свету

Лансирање TypeSafe-а изазвало је велико интересовање у програмерским круговима, са Hacker Вести и теме на Редиту прелазе хиљаду гласова и стотине коментара. Независни бенчмаркови, попут оних које је спровео Мајк Тејлор из Every, упоредили су Jev са постојећим системима, показујући модално слагање око 88.3% наспрам 84.5% за openjev интерфејс, док је остао много бржи за сличне задатке.

Кључни закључци из раног усвајања:

• Програмери цене Јевову интеграцију, брзину и цену, посебно за модерирање, рутирање, класификацију са више ознака и заштитне ограде које преоптерећују традиционалне LLM-ове.
• Тачност, иако нешто нижа од најбољих LLM-ова, надокнађена је мањом латенцијом и већим пропусним опсегом. На масовном нивоу, Џехова економија побеђује.
• Опрез остаје око светског знања, двосмислених уноса и аутоматизације високог ризикаПројектовање и инжењеринг државе су кључни како би се избегле суптилне грешке.

Добијање приступа Џеву и разматрања верзирања

Регистрација: Рани приступ се обрађује путем листе чекања, са периодима отварања и затварања у зависности од капацитета. API кључеви се управљају у конзоли.

• Версел АИ Гејтвеј и ОпенРутер нуде алтернативе и не зависе од листе чекања TypeSafe-а. Поједностављују интеграцију и у званичним и у хоби пројектима.
• Увек закачите свој верзиони ИД модела ако подесите прагове у продукцији. Као и OpenAI, TypeSafe може променити шта jev-latest указује на. Снимите верзију која се користи како бисте могли да пратите перформансе и поново подесите ако је потребно.

Како подесити, тестирати и применити Jev за ваш радни ток

Итеративни процес за безбедно распоређивање:

1. Тестирајте Џевове одговоре у режиму сенке упоредо са вашом тренутном логиком.
2. Означите и упоредите резултате са основним вредностима (ручни преглед, наслеђени класификатор или LLM).
3. Прилагодите формулацију питања, опције и прагове поузданости на основу неслагања.
4. Аутоматизујте одговоре ниског ризика и високе поузданости тек након што демонстрирате стабилне перформансе.
5. Задржите ручни или LLM резервни приступ за двосмислене случајеве или случајеве са високом ценом грешке.

Када (и када не) користити Јев

Погодно за: брзу класификацију ниског ризика, тријажу, модерирање, бодовање, семантичко филтрирање пре генеративних модела и структурирано издвајање карактеристика из великих скупова података.

Мање погодно за: генерисање текста, сложене задатке вишестепеног резоновања, математичке прорачуне, логику или рангирање засновано на отвореним одговорима.

Трошкови и кашњење у стварним токовима рада

Подаци које је објавио TypeSafe: типичан захтев за тикет (око 300 улазних токена) кошта приближно 0.0000126 долара, што је еквивалентно око 1.26 долара на 100,000 тикета. Поређења ради, генеративни модели високе класе су најмање десет пута скупљи и много спорији на сличним серијама.

Независни бенчмаркови потврђују да Jev нуди снажну комбинацију брзине, скалабилности и детерминистичког излаза за рутирање, тријажу и задатке поновљеног одлучивања.

Џев у Хибридним токовима рада: Како допуњује мастер студије права (LLM)

Далеко од тога да замени LLM-ове, Jev се најбоље користи као филтер, рутер или узводни додатак. Ово вам омогућава:

• Делегирајте понављајуће одлуке великог обима Џеву, резервишући мастер студије права (LLM) за отворено и креативно стварање.
• Смањите грешке повезане са халуцинацијама и побољшајте парсирање кроз валидацију, бодовање и заштитне ограде које изводи Јев.
• Скалирати јефтине процесе (означавање, модерирање, верификација) који би били прескупи коришћењем само LLM-ова.

Порекло имена и филозофија

Зашто „Џев“? То је почаст Вилијаму Стенлију Џевонсу , економисти из 19. века познатом по Џевоновом парадоксу: када ресурс постане технолошки јефтинији, његова потрошња може да се повећа, а не да се смањи, јер нови случајеви употребе постају економски исплативи. TypeSafe се клади да ће, када структурирана интелигенција постане скоро бесплатна, компаније измислити стотине аутоматизованих петљи одлучивања и микрокласификација података који су раније били прескупи.

Перспективе, документација и отворена питања

Јевова техничка архитектура, процес обуке и комплетни синтетички корпуси нису у потпуности објављени, иако TypeSafe каже да је заснован на трансформаторима и да се обучава само на синтетичким паровима. Спекулације сугеришу да би LLM-ови отворене тежине могли послужити као основа, али RLCD калибрација разликује Јев од једноставног логит омотача.

Документација TypeSafe-а је необично темељна и искрена, укључујући јасне листе ограничења и уобичајених начина грешака. Тренд сугерише да ће систем наставити да се побољшава и да ће заједница објављивати поређења са другим власничким и моделима отвореног кода.

Почетак и следећи кораци

• Придружите се листи чекања или користите Vercel AI Gateway/OpenRouter акредитиве ако их већ имате.
• Истражите Playground са сопственим случајевима употребе, не само са унапред конфигурисаним демо верзијама.
• Идентификујте понављајуће одлуке у вашој области које се могу аутоматизовати помоћу питања типа „Нула“, „Избора“ или „Скора“.
• Процените резултате и аутоматизујте само случајеве ниског ризика, подешавајући поверење пре потпуног примене у производњи.

Појава Џева представља фундаменталну промену у начину на који се интелигенција дизајнира у софтверу, удаљавајући се од отворене генеративне вештачке интелигенције ка високо поузданим, композибилним примитивним одлукама које омогућавају програмерима да ураде више, брже и са нижим буџетом. Ако правите аутоматизацију, агенте у реалном времену или су вам потребне прецизне, детерминистичке одлуке које функционишу уз ваше мастер студије управљања учењем (LLM), Џев заслужује детаљнији поглед.

[релационадо урл=”хттпс://ввв.иккаро.нет/интеграте-деепсеек-инто-н8н/”]