djev-run اجرای مدل djev را روی Google Cloud Run ساده میکند
پروژه djev-run برای اجرای مدل djev بر پایه DiffusionGemma ساخته شده و امکان دیپلوی آسان روی Google Cloud Run و ساخت endpoint سازگار با Jev API را فراهم میکند.

پروژه djev-run با هدف سادهتر کردن اجرای مدل djev معرفی شده است؛ پروژهای که بر پایه DiffusionGemma ساخته شده و امکان دیپلوی مدل djev روی Google Cloud Run را فراهم میکند.
بر اساس یادداشت خبرنگار، با استفاده از djev-run میتوان در چند مرحله یک endpoint سازگار با Jev API ایجاد کرد و مدل را بهصورت مستقیم آزمایش کرد. تأکید شده که این پروژه خودِ Jev نیست، بلکه ابزاری برای اجرای djev است.
ایده djev، مشابه Jev، با LLMهای معمولی تفاوت دارد. بهجای تمرکز صرف بر تولید متن، برای تصمیمگیری ساختاریافته طراحی شده است. برای نمونه، میتوان پیام یک کاربر را به مدل داد و از آن خواست دستهبندی پیام، شدت مشکل، وجود یا نبود درخواست refund و حتی احتمال پاسخها را مشخص کند.
به این ترتیب، خروجی djev میتواند مستقیماً در منطق اپلیکیشن استفاده شود؛ چون بهجای متن آزاد، اطلاعات ساختاریافتهای تولید میکند که برای تصمیمگیری در نرمافزار قابل استفاده است. لینک پروژه در GitHub با نشانی github.com/taeold/djev-run در یادداشت خبرنگار آمده است.
منبع: گزارش رسیده از یک منبع خبری
مطالب مرتبط
برای ادامه مطالعه
این یادداشتها بر اساس موضوع مشترک، همپوشانی برچسبها و تازگی انتشار انتخاب میشوند.

علیبابا مدل متنباز Qwen-Image-2.1 را برای تولید و ویرایش تصویر معرفی کرد
علیبابا مدل متنباز Qwen-Image-2.1 را با ۷ میلیارد پارامتر منتشر کرده؛ مدلی که تولید تصویر از متن و ویرایش تصویر را در یک سامانه واحد ترکیب میکند.

علیبابا مدل هوش مصنوعی Damo Radar را برای تشخیص بیماریهای شکمی متنباز کرد
آکادمی DAMO علیبابا مدل Damo Radar را متنباز کرده است؛ مدلی که برای شناسایی نزدیک به ۱۵۰ بیماری شکمی از تصاویر سیتیاسکن طراحی شده است.

گوگل نسل جدید مدلهای صوتی Gemini را معرفی کرد
گوگل دو مدل صوتی جدید Gemini 3.8 Live و Gemini 3.8 Live Extended Thinking را معرفی کرده که برای پاسخگویی سریع و انجام کارهای پیچیده چندمرحلهای طراحی شدهاند.
دیدگاهها
اولین نفری باش که دیدگاه میذاره