Prohlédněte si skutečné funkce, experimenty a návody s Jev AI z X a YouTube. Každý příklad se zaměřuje na jedno rozhodnutí, které můžete využít ve vlastním projektu.
Procházejte ukázky a řešení používaná v praxi podle problému, který řeší. U každého příspěvku z X a videa z YouTube vysvětlujeme, jaké konkrétní rozhodnutí Jev zpracovává.
Zobrazeno 25 z 25 vybraných příkladů
Moritz Kremb vytváří hlasem ovládaný prohlížeč v delším tutoriálu. Řeč se přepisuje jako první; Jev pak posoudí zamýšlenou akci a cíl mezi prvky aktuální stránky.
Jev je jeden stupeň ve smyčce. Rozpoznávání řeči, stav prohlížeče, bezpečnostní kontroly a skutečné kliknutí jsou řešeny mimo model.
Riley Brown prochází třemi výstupními tvary Jev a ukazuje několik malých aplikací, včetně směrování požadavku na model a třídění e-mailu.
Začněte formátem výstupu: vyberte jednu možnost, přiřaďte číselné hodnocení nebo odpovězte ano či ne. Za provedení navazující akce stále odpovídá aplikace.
TypeSafe DevRel Allie Laabs se připojuje k ThursdAI, aby vysvětlil modely System One a primitiva Choice, Score a Noul. Segment zahrnuje klasifikátor tweetů a živé demo hry.
Toto je užitečné pozadí týmu s ukázkami a otevřenými otázkami. Údaje o výkonu a ceně diskutované v rozhovoru jsou tvrzeními řečníků.
Gregor ukazuje open-source agenta, který pracuje se stavem DOM a průběžně se měnící sadou dostupných akcí. Jednotlivé kroky vybírá Jev; malý jazykový model nastupuje jen tehdy, když je třeba zadat text.
Autor uvádí u ukázkového hledání letu přibližně 7 sekund a 0,0039 dolaru. Jde o údaj z dema, nikoli benchmark; provádění akcí a bezpečnostní pravidla zůstávají v aplikaci.
Tamara ukazuje hodnocení jednotlivých volání nástrojů a odstraňování nepotřebných kroků namísto přepisování zachovaného kontextu do generovaného shrnutí.
Filtrování po jednotlivých voláních zachovává vybraný původní text. Závislosti mezi kroky a požadavky na audit však stále vyžadují deterministické kontroly.
Aaron Levie předvádí agenta, který čte zprávu o incidentu z Boxu, posuzuje, zda jsou ovlivněni zákazníci a jak závažný incident je, a poté přesune soubor do složky pro eskalaci, monitorování nebo kontrolu.
Užitečná hranice je mezi krátkou klasifikací a pracovním postupem, který na ni působí. Přesuny složek a aktualizace metadat zůstávají v kódu aplikace.
V ukázce ve španělštině Alan Daitch spáruje Playwright s Jev, aby si prohlédl seznamy použitých položek. Jev odpovídá na kontroly předmětu a jeho vhodnosti; okolní pracovní postup vyřadí, nabídne nebo požádá prodejce o chybějící podrobnosti.
Následná kontrola příspěvku popisuje pět kontrol ano nebo ne textu stránky. Navigace v prohlížeči, nabídky a zprávy prodejce jsou samostatné akce, které vyžadují pravidla kontroly a zabezpečení.
Ukázka Rinte v japonštině vybere snímek prezentace, který odpovídá aktuálnímu mluvenému tématu, aniž by se přednášející dotkl ukazatele nebo klávesnice.
Toto je výběrová úloha nad existujícími snímky. Zachycení řeči a zobrazení snímků jsou součástí aplikace kolem Jev; demo neukazuje Jev generující snímky.
Prototyp Kaneko v japonštině aktualizuje tři signály setkání po každém vyslovení: průzkum nebo konvergence, vyřešený nebo nevyřízený a nesouhlas nebo souhlas.
Opakované, omezené soudy mohou usnadnit sledování živé diskuse. Prototyp je vizualizace, nikoli důkaz, že štítky přesně reprezentují záměr každého účastníka.
V ukázce v čínštině Sac kombinuje Codex a Jev k přidání události kalendáře Mac, která ukazuje stejný úkol s asistovaným pracovním postupem Jev i bez něj.
Video vedle sebe zviditelňuje odezvu, ale jedná se spíše o srovnání jednoho tvůrce než o kontrolované měřítko rychlosti. Aplikace stále provádí a ověřuje každou akci.
Demo v čínském jazyce běží Jev přes proud novinek pro 15 značek, přiřazuje strukturované štítky záměrů a identifikuje příběhy, které mohou být relevantní pro každou značku.
Tvůrce hlásí rychlý dávkový běh. Odpovědi upozorňují na viditelné chyby klasifikace, takže před použitím výstupu pro rozhodnutí PR záleží na redakční kontrole a kontrole naměřené přesnosti.
Nader ukazuje vyhledávání v Gmailu podle záměru. U velké schránky lze nejprve sémanticky vyhledat kandidáty a teprve jejich menší sadu nechat posoudit Jevem.
Vyhledání a posouzení jsou dvě samostatné fáze. Důležitá zůstávají oprávnění k poště, úplnost kandidátů i možnost prověřit opomenuté výsledky.
Duncan ukazuje směrovač, který se ptá Jev, který model vyhovuje příchozímu požadavku, a pak požadavek odešle tomuto modelu. Jev rozhoduje o směrování; jiný model zpracovává odpověď s otevřeným koncem.
Omezená volba může předcházet generativnímu modelu. Router stále potřebuje záložní pravidla a vyhodnocení oproti skutečným požadavkům.
Bannerbear popisuje živou funkci, která mapuje zdrojová pole na pole šablon, i když se jejich názvy liší, například avatar na fotografii nebo celé jméno na jméno.
Jedná se o kompaktní úlohu sémantického párování s pevnou sadou kandidátských polí. Produkt by měl uživatelům stále umožnit zkontrolovat a opravit navrhované mapování.
Nader Dabit sdílí prediktivní ukázku tabulky: zadání nadpisu, jako je „Naléhavost“, způsobí, že list posoudí význam každého řádku, nikoli pouze přepočítávání číselných vzorců.
Skóre může rozšířit tabulku, když je užitečný signál sémantický. Demo je prototyp, takže jeho hodnocení je před provozním použitím ještě potřeba otestovat.
Marcel Pociot demonstruje rozšíření prohlížeče, které skryje nebo sbalí X příspěvků odpovídající pravidlu napsanému v běžném jazyce. Rozšíření působí na vrácený úsudek, zatímco uživatel prohlíží.
Rozhodnutí ano nebo ne může způsobit, že filtr osobního obsahu bude reagovat. Zde záleží na falešných poplachech, takže vratná akce „sbalení“ je bezpečnější než tiché mazání obsahu.
Marcel Pociot ukazuje aplikaci pro macOS, která sleduje složku Stažené soubory. Posuzuje, zda je nový soubor fakturou, pak zařazuje a přejmenovává odpovídající dokumenty podle nakonfigurovaného pravidla.
Tvůrce říká, že soubory s nízkou spolehlivostí zůstávají na místě pro ruční kontrolu. Tento práh a detekce duplicit jsou důležitější než automatické přesunutí každého souboru.
Hassan ukazuje kanál, který nejprve klasifikuje dávku e-mailů pomocí Jev a poté posílá nejisté případy do jiného modelu. Příklad odděluje rychlý první průchod od bližší kontroly.
Cennou volbou návrhu je práh nejistoty. Přesnost uváděná tvůrcem se vztahuje na tuto ukázkovou dávku, nikoli na každou doručenou poštu nebo vzor podvodu.
Riley Brown předvádí, jak Jev během několika sekund roztřídí 500 e-mailů do jasně vymezených kategorií, aniž by pro každou zprávu generoval odpověď.
Autor uvádí celkové náklady dema přibližně 0,035 dolaru. Produkční nasazení stále potřebuje definované štítky, práci s mírou jistoty a lidskou kontrolu důležitých zpráv.
Paolo Rosson vloží rozdíl kódu do Jev a obdrží sadu úsudků o možných tajemstvích, injekci SQL, změnách ověřování, chybějících testech a dalších kontrolních signálech.
Toto jsou výzvy ke kontrole, nikoli důkaz, že lze kód bezpečně sloučit. Udržujte kontrolu člověkem a deterministické skenery ve smyčce pro následné změny.
LangChain porovnává Jev s posuzovateli založenými na jazykových modelech z hlediska přesnosti, opakovatelnosti, latence a nákladů jako alternativní způsob hodnocení chování agentů.
Rychlejší posuzovatel má smysl jen tehdy, pokud jeho pravidla a štítky zachycují chování důležité pro tým. Výsledky benchmarku je třeba ověřit na vlastních datech každé aplikace.
Hugo Duprez předvádí, jak Jev vytváří strukturovaná rozhodnutí, z nichž herní engine během hraní skládá další části úrovně.
Jev vybírá v rámci schématu hry; platnou geometrii, meze obtížnosti a průchodné přechody nadále vynucuje engine. Údaje o rychlosti pocházejí od autora.
Duncan pošle stav bludiště jako JSON a nechá Jev vybrat směr, když Pac-Man dosáhne křižovatky. Herní engine pak toto ohraničené rozhodnutí aplikuje v reálném čase.
Hry zviditelňují opakovaná, časově citlivá rozhodnutí. Demo ilustruje ovládací smyčku, nikoli obecné tvrzení, že Jev vidí nebo rozumí surovému hernímu videu.
Rob Hallam představuje demo SuperX, které klade mnoho pevných otázek ke každému příspěvku a používá odpovědi k hodnocení návrhů. Je to příklad použití skóre k usměrňování úprav spíše než k vytváření příspěvku.
Hodnocení je užitečné pouze tehdy, pokud koreluje s pozdějšími výsledky. S údaji o výkonu tvůrce zacházejte jako s ukázkovým tvrzením, dokud nebudou nezávisle reprodukovány.
Stav Zilbershtein demonstruje klasifikaci velké knihovny reklam podle fáze cesty zákazníka a kreativního stylu a poté pomocí těchto štítků zkontroluje mix kampaní konkurence.
Konzistentní štítky usnadňují porovnávání velké sbírky. Načasování a náklady příspěvku jsou hlášeny tvůrcem; hlubší analýza účtu je součástí širšího pracovního postupu, ne nutně výstupem Jev.
Vyzkoušejte strukturované rozhodnutí v Playgroundu a potom si projděte open-source integrace a příklady v sekci Projekty.