标签
本文介绍了TAM-Chain，一种采用吸收马尔可夫链和香农熵进行不确定性量化的多尺度甲状腺细胞学分类方法，旨在抑制假阴性并适应域偏移。
OpenJudgement-4B-Preview是一款基于Qwen的实验性AI模型，专注于分类和评分任务的微调，作为开放权重的早期预览替代品。
TogetherCompute团队成员@nutlope的实战教程，介绍如何在25分钟内以17美元将Qwen3.5 4B模型微调为Jev决策分类器，模型权重和代码已在GitHub上开源。
Together AI 开源了一套完整的 recipe，让你能以 17 美元的成本微调自己的 Jev 分类模型，并发布了基于 Qwen3.5 4B 的新模型。
Jev是由TypeSafe AI推出的一款新型AI模型，归类为System One或决策模型，其输出浮点数用于垃圾邮件检测、排名等分类任务，并具有竞争力的定价。
分析了600多个使用Jev构建的案例后，作者发现最有趣的方面并非炫酷的演示，而是对日常任务的成本效益自动化，从而实现大规模经济高效的AI应用。
这篇文章描述了将 Codex 与 Jev 集成，Jev 是 TypeSafe AI 的一款新 AI 模型，通过快速且低成本地处理分类任务，将令牌消耗减少了 90%，而 Codex 负责处理复杂推理。
本文测试了一个名为Jev的AI模型，来自TypeSafe AI，它专为快速、结构化决策而非生成而设计，旨在通过将决策与通用大语言模型任务分离来提高AI工作流的效率。
本文提供了10个步骤来优化AI智能体决策，通过使用langchain-typesafe工具，将LLM调用成本降低至每百万令牌0.042美元，延迟降至70-500毫秒，同时防止幻觉。
Jev是TypeSafe公司发布的闭源AI模型，专为快速判断和选择任务设计，具有低延迟和低成本特点，广泛应用于自动化流程和Agent系统中。
Jev是TypeSafe AI推出的新型AI模型，专为高速决策设计，作为通用分类器，具有极快的响应速度和低成本，适用于实时任务如内容过滤、游戏和交易。
本文定义了联合数据集，并提出了一种使用矩阵补全合并异构数据集的方法，展示了在统一表示上训练的分类器优于单独训练的分类器。
本文探讨了AI代理是否应该在行动和治理中被允许表达不确定性，例如说'我不知道'，强调诚实沟通而非强制分类的价值。
TypeSafe AI 发布了 Jev，这是一个 System One 模型，用于代理循环中的快速结构化决策，与传统 LLMs 相比，在分类任务中提供高达 200 倍更快的推理和 400 倍更低的成本。
本文讨论了直接使用LLMs作为分类器的局限性，并提出将LLMs输出作为特征应用于传统机器学习模型（如逻辑回归），以实现更好的校准、可解释性和性能。
作者讨论了他们2021年用于分类科学出版物的神经网络如何被像Jev和Qwen 27b这样的新AI模型所取代。
BARGE 提出了一种单阶段目标函数，结合有界调整和可靠性引导嵌入，以处理不平衡学习中的噪声标签，在 CIFAR-10 和 Tiny ImageNet 等基准测试上取得了有竞争力的性能。
本文研究人类对话中口语否定线索如何在多模态非言语行为中体现，使用时间序列分类模型在无词汇或声学输入的情况下区分否定上下文与控制上下文。
本文提出了一种新的原型缩减方法——迭代神经扩展上的骨架原型（SPINE），该方法将类别建模为嵌入的1-复形，在基准数据集上相比现有技术实现了更高的准确性和效率。
作者讨论了使用经典机器学习与LLMs处理商业分类和回归问题，评估了Jev模型作为潜在工具，并将其与现有技术如Structured Outputs和DSPy进行比较，重点强调了可访问性和有效性方面的担忧。