Tampaknya Jev juga belajar menggunakan data dan label sintetis dari model skala besar
Tampaknya Jev juga belajar menggunakan data dan label sintetis dari model skala besar, jadi saya menyaring dan mempelajari penilaian DeepSeek V4 Flash dengan bobot 157GB selama 26 jam menggunakan DGX Spark, dan mentransfernya ke model 4B. Ukurannya 1/20 dan melebihi mode respons langsung guru, sekitar 22 mdtk per penilaian. Saya tidak pernah menyangka bisa melakukan sebanyak ini hanya dengan LLM Lokal.
Mereka memberi Astra, DeepSeek 4.1, Fable 5, dan Qwen 3.8 prompt yang sama untuk permainan perahu.
Perbandingannya sangat buruk 🤯
Karena saya mendapat akses ke Jev dari typesafeai , saya telah menambahkan ke salah satu aplikasi CRE saya
Anda menanyakan sesuatu → DeepSeek memahaminya dan mengisi masukannya → Jev mengonfirmasi spesialis mana yang memilikinya → mesin lokal berjalan → DeepSeek mendapat paket fakta kecil
Siapa yang masih meragukan JEV tidak ada gunanya?
Siapa yang masih meragukan JEV tidak ada gunanya? Pengujian aktual terhadap skenario penerapan nyata JEV. Saya terus menggunakan JEV dan DeepSeek untuk menjalankan tugas yang sama. Simulasikan kotak masuk perusahaan yang sangat besar, alihkan 300 surat yang berantakan (pengadaan bisnis, kegagalan online, urusan kepatuhan dan hukum, pemborosan promosi) ke 15 departemen bisnis secara real-time, dan beri label dengan…
Sudah sampai ujung arsip
Semua deepseek