今日のZennトレンド 競馬の論文 100 本を Jev で仕分けて、LLM と速度とコストを比べた 競馬論文100本の仕分け作業にて、判定専用モデルJevとLLM（Llama 3.3 70B）を比較検証した内容です。 Jevは文章を生成せず確率で回答を返すため、LLMよりも処理速度が速く、判定結果の安定性が高いことが分かりました。 コストはLLMよりわずかに高いものの、構造化データが返るためパースの手間がなく、大量のデータを高速に仕分ける用途に適していると結論付けています。 はじめに個人で競馬の定量分析をしていて、戦略の候補を学術論文から探す作業を試しました。元にしたのは、note の記事「学術論文をAIに読ませて戦略を見つける」の考え方です。これにならい、論文を大量に集めて機械的に絞り込み、残った論文の手順を実データで確かめることにしました。この作業のうち、要旨を読んで「使える論文か」
No BS check run yet — press ⚖ to extract this story's claims and verify them against independent sources.
今日のZennトレンド 競馬の論文 100 本を Jev で仕分けて、LLM と速度とコストを比べた 競馬論文100本の仕分け作業にて、判定専用モデルJevとLLM（Llama 3.3 70B）を比較検証した内容です。 Jevは文章を生成せず確率で回答を返すため、LLMよりも処理速度が速く、判定結果の安定性が高いことが分かりました。 コストはLLMよりわずかに高いものの、構造化データが返るためパースの手間がなく、大量のデータを高速に仕分ける用途に適していると結論付けています。 はじめに個人で競馬の定量分析をしていて、戦略の候補を学術論文から探す作業を試しました。元にしたのは、note の記事「学術論文をAIに読ませて戦略を見つける」の考え方です。これにならい、論文を大量に集めて機械的に絞り込み、残った論文の手順を実データで確かめることにしました。この作業のうち、要旨を読んで「使える論文か」
今日のZennトレンド 文章を返さないAI「Jev」を試してみた ── 社内問い合わせのエスカレーション先は判定できるか TypeSafe AIのJevを試した報告。 Jevは文章ではなく確率やスコアのみを返すモデルで、高速かつ低コストに構造化された判断ができる。 社内問い合わせの振り分けに活用した結果、定型的な判定業務に有効だと分かった。 一方、判断理由が不明で設計負荷が高い点がある。 柔軟な対応はLLM、定型的な判断はJevという使い分けが向いている。 こんにちは、株式会社イエソドでバックエンドエンジニアをしているik-fib（@ik11235）です。 はじめに先日、TypeSafe AIからJevが公開されました。Jevは「System One Model」と名乗っていて、LLMとは返すものが違います。渡したテキストについて、こちらが型付きで用意した問いに、確率やスコアだけを返します