1. Home
  2. Detail

@pasanbl_narezki: Драка за руну пошла не по плану для BetBoom Team. CHIRA_JUNIOR и Team Yandex забирают своё. #pasanbl #dota2 #pasanbl #TeamYandex #CHIRA_JUNIOR @team_yandex @BLAST SLAM @BetBoom Team

pasanbl_narezki
pasanbl_narezki
Open In TikTok:
Region: BY
Saturday 13 June 2026 09:03:34 GMT
1779
38
5
19

Music

Download

No Watermark .mp4 (1.7MB) No Watermark(HD) .mp4 (2.63MB) Watermark .mp4 (4.24MB) Music .mp3

Comments

kup41k
Kuo41k :
как будто эмоций меньше стало(
2026-06-13 09:09:08
1
9meepo
9meepo :
очень классно
2026-06-13 10:15:14
0
To see more videos from user @pasanbl_narezki, please go to the Tikwm homepage.

Other Videos


1 thg mà nó nói 🥶 là
1 thg mà nó nói 🥶 là "Khang Rồng 🐉" | #qmbiiff #nhasangtaofreefire #khangrong🐲 #viral #nhangiafreefiretrolai


500к за коробку? #ии #нейросети #dgx #nvidia
500к за коробку? #ии #нейросети #dgx #nvidia
O hype em volta do Jev não é só porque ele é rápido ou barato. Ele representa uma mudança interessante na forma de construir agentes de IA. Hoje, a maior parte dos agentes usa um LLM para absolutamente tudo: entender a tarefa, criar um plano, escolher ferramentas, avaliar resultados, decidir se continua, perceber se uma ação é perigosa… e, no fim, gerar uma resposta em texto. Só que boa parte dessas etapas não precisa de um modelo escrevendo uma resposta inteira. - esse ticket vai para qual equipe? - essa informação é relevante? - esse comando pode causar dano? - o agente tenta de novo, pede aprovação ou para? - qual ferramenta — ou até qual modelo — deve ser usado agora? É aí que entra o Jev. Ele recebe o estado da aplicação — uma mensagem, JSON, histórico de conversa ou resultado de ferramentas — e responde perguntas fechadas em três formatos: - Choice: escolhe entre opções predefinidas - Score: avalia algo em uma escala - Noul: estima a probabilidade de uma afirmação ser verdadeira Por exemplo: você pode mandar o histórico de um agente e perguntar se ele está prestes a executar uma ação destrutiva. Em vez de gerar uma justificativa longa, o Jev devolve uma probabilidade. A partir de certo limiar, seu código bloqueia a ação ou pede aprovação humana. Esse é o ponto: o Jev não decide sozinho o que pode acontecer. Ele sugere uma decisão semântica; as permissões, os limiares e a execução continuam no código. O desenho mais promissor é híbrido: LLM para planejar, pesquisar, escrever e usar ferramentas. Jev para classificar, rotear, validar, aplicar guardrails e decidir o próximo passo. Código para controlar o que realmente pode ser executado. É uma camada de decisão rápida entre as ações do agente. E isso pode ser muito mais importante do que parece para quem está construindo automações, produtos com IA ou agentes que precisam rodar em produção.
O hype em volta do Jev não é só porque ele é rápido ou barato. Ele representa uma mudança interessante na forma de construir agentes de IA. Hoje, a maior parte dos agentes usa um LLM para absolutamente tudo: entender a tarefa, criar um plano, escolher ferramentas, avaliar resultados, decidir se continua, perceber se uma ação é perigosa… e, no fim, gerar uma resposta em texto. Só que boa parte dessas etapas não precisa de um modelo escrevendo uma resposta inteira. - esse ticket vai para qual equipe? - essa informação é relevante? - esse comando pode causar dano? - o agente tenta de novo, pede aprovação ou para? - qual ferramenta — ou até qual modelo — deve ser usado agora? É aí que entra o Jev. Ele recebe o estado da aplicação — uma mensagem, JSON, histórico de conversa ou resultado de ferramentas — e responde perguntas fechadas em três formatos: - Choice: escolhe entre opções predefinidas - Score: avalia algo em uma escala - Noul: estima a probabilidade de uma afirmação ser verdadeira Por exemplo: você pode mandar o histórico de um agente e perguntar se ele está prestes a executar uma ação destrutiva. Em vez de gerar uma justificativa longa, o Jev devolve uma probabilidade. A partir de certo limiar, seu código bloqueia a ação ou pede aprovação humana. Esse é o ponto: o Jev não decide sozinho o que pode acontecer. Ele sugere uma decisão semântica; as permissões, os limiares e a execução continuam no código. O desenho mais promissor é híbrido: LLM para planejar, pesquisar, escrever e usar ferramentas. Jev para classificar, rotear, validar, aplicar guardrails e decidir o próximo passo. Código para controlar o que realmente pode ser executado. É uma camada de decisão rápida entre as ações do agente. E isso pode ser muito mais importante do que parece para quem está construindo automações, produtos com IA ou agentes que precisam rodar em produção.

About

Legal