TypeSafe: Jev 1.13

Jev 1.13 är TypeSafes versionsbundna System One-modell för strukturerade beslut. Tillverkaridentifieraren är jev-1.13.0. Den bedömer text eller ett textbaserat JSON-tillstånd mot typade frågor och returnerar värden och sannolikhetsfördelningar direkt utan att skriva ett svar. Utgåvan passar klassificering, styrning, villkorskontroller och bedömningar på skalor vars möjliga utfall är kända före begäran.

Tillstånd och förberedelse av fokuserade frågor

Ange en sträng, ett JSON-objekt eller en array med textvärden som tillstånd. Använd namngivna fält när evidensen innehåller relaterade poster, en konversation och en regel. Behåll delarna varje fråga behöver och hänvisa till ett specifikt fält eller objekt när det tydligt identifierar evidensen. Jev 1.13 använder enbart text; bilder, ljud, video och binärdata måste förberedas till text eller strukturerade textfält utanför denna modell.

Varje fråga har en typ, instruktioner och de kriterier som typen kräver. Instruktioner och kriteriebeskrivningar kan använda text eller JSON-struktur. Tillverkaren returnerar svar under frågeidentifierarna, men dessa identifierare ingår inte i inferensen. Skriv den fullständiga frågan i stället för att förlita dig på att en identifierare som urgent antyder det avsedda kriteriet. Ett användbart supporttillstånd kan innehålla meddelandet och uppgifter om påverkan, medan separata frågor definierar dess kategori och allvarlighet.

Choice: en inskickad kategori och dess fördelning

Choice väljer alternativet med högst sannolikhet ur den oordnade uppsättning som anroparen definierat. Dess kriteriemappning innehåller alternativnycklarna och beskrivningarna, med null tillåtet när ett alternativ inte behöver ytterligare förklaring. Den dokumenterade gränsen är 255 alternativ per Choice. Lägg till ett other- eller no-match-alternativ när en taxonomi inte täcker all möjlig evidens och förklara gränser som ett kort kategorinamn inte avgör.

Svaret innehåller det valda alternativet, en sannolikhet för varje alternativ och konfidens. Behåll fördelningen när två kandidater ligger nära varandra i stället för att behandla den valda etiketten som visshet. Den valda kategorin kan identifiera en föreslagen väg; den omgivande applikationen avgör om och hur den styrningen ska genomföras.

Score: en förväntad nivå, inte en exakt mätning

Score använder en ordnad array av beskrivna nivåer, där minst två rekommenderas och upp till tio stöds. Index börjar vid 0. Det numeriska resultatet är det sannolikhetsviktade medelvärdet av nivåindexen och kan därför hamna mellan nivåer. Svarets teckenförklaring kopplar indexen till deras beskrivningar och nivåsannolikheterna visar hur bedömningen fördelas.

För allvarlighet beskriver du skillnaden mellan kosmetisk påverkan, en användbar alternativ lösning och en blockerad uppgift. En poäng med decimaler kan hjälpa till att prioritera eller aggregera bedömningar, medan valet av den mest sannolika kategorin är en annan operation. TypeSafes utgåvespecifika guide varnar för att Score är svag på att rekonstruera en exakt fysisk eller numerisk storhet genom interpolation mellan nivåer. Håll exakt aritmetik och mätningar utanför modellen.

Noul och konfidens har olika betydelser

Noul returnerar sannolikheten från 0 till 1 för att ett definierat villkor är sant. Valfria true- och false-kriterier klargör gränsen. Det har inget separat konfidensfält. En sannolikhet nära 0,5 anger osäkerhet om ja jämfört med nej, inte ett mittvärde på en graderad skala.

Choice- och Score-konfidens härleds ur deras egna fördelningar. För Choice med minst två alternativ (n > 1) och vald sannolikhet p_max är den dokumenterade formeln (p_max − 1/n) / (1 − 1/n): Den jämför det mest sannolika utfallet med en jämn fördelning. Score-konfidens tar också hänsyn till det sannolikhetsviktade avståndet från den mest sannolika nivån, normaliserat mot spridningen i en likformig fördelning och med en undre gräns på 0. Därmed har tvetydighet mellan angränsande nivåer och tvetydighet mellan motsatta ändar olika betydelser. Behåll hela fördelningen när uppgiften behöver mer detalj än en enda statistikuppgift.

Oberoende bedömningar av gemensam evidens

Frågorna i en begäran ser samma tillstånd och bedöms oberoende. Ett resultat från en fråga är inget dolt sammanhang för en annan. Dela upp en bred bedömning i fokuserade aspekter och tolka eller kombinera sedan de returnerade värdena enligt uppgiften. Ett problem kan ha en kategori, en påverkansbedömning och en relevanskontroll utan att göra dessa oberoende kriterier till en vag prioritetsetikett.

Om en senare fråga behöver hämtad evidens eller alternativ valda från ett tidigare resultat ska beroendet göras uttryckligt i en senare begäran. Vid kandidatutvinning hämtar du först de tillgängliga värdena från källan och använder sedan ett avgränsat Choice för att välja bland dem. Jev 1.13 är inte tränad för fri textgenerering och bör inte beskrivas som en modell som producerar en godtycklig ny sträng eller en berättande förklaring.

Utgåvespecifika kontext- och språkgränser

Tillverkaren anger en budget på 64k token för tillståndet plus alla frågor tillsammans och en budget på 32k token för tillståndet plus den längsta enskilda frågan. Båda begränsningarna spelar roll. Ett tillstånd som ryms inom totalbudgeten kan ändå lämna för lite utrymme för en enskild frågas instruktioner och alternativ. Ta bort ovidkommande material men behåll evidensen som avgör svaret.

Engelska är utgåvans primära träningsspråk och tillverkaren rapporterar bäst träffsäkerhet där. Andra språk, inklusive CJK-skriftsystem, accepteras men har inte samma träffsäkerhet. Använd representativt källmaterial från det avsedda språket när du bedömer hur sannolikheter eller kategorigränser ska tolkas. Ett indatakontrakt för enbart text fastställer inte universell flerspråkig prestanda.

Publicerade väsentliga begränsningar

TypeSafe dokumenterar bokstavlig läsning av avgränsande ord och negationer, opålitlig räkning och aritmetik, svårigheter att jämföra datum som ordnade storheter och minskad tillförlitlighet med flera lager av indirekta hänvisningar. Företaget rekommenderar att utföra exakta beräkningar i kod och ge modellen den semantiska bedömningen. Numeriska kodningar kan vara mindre effektiva än meningsfulla namn, och ett stort tillstånd fyllt med ovidkommande detaljer kan distrahera från relevant evidens.

Samma guide säger att manipulerande innehåll i tillståndet kan styra svaret, att motsägelsefulla instruktioner och kriterier kan förvirra modellen och att ordningen på Choice-alternativ ibland kan snedvrida resultatet mot ett tidigt alternativ. Definiera det faktiska villkoret, samordna instruktioner och kriterier, minska onödiga mellanled och jämför gränsbedömningar med källan. Ha Jev 1.13:s begränsningar i åtanke när du tolkar dess bedömningar.

Ett användbart Jev 1.13-resultat bevarar tillståndsidentifieraren, den fullständiga frågan, alternativ eller nivåer, det typade resultatet, sannolikheter och relevant konfidensstatistik. Håll versionen uttrycklig när resultat eller trösklar beror på denna utgåva. Granska osäkra fall mot evidensen och låt applikationen utföra exakta beräkningar och arbetsflödesåtgärder; modellen ger en fokuserad bedömning med numerisk osäkerhet.