斯坦福教授用 JEV 构建数据科学系统
据报道,一位斯坦福教授使用JEV构建了一个数据科学系统,每15分钟处理400亿个数据点,以决定哪些结果值得研究。该系统早期版本大量依赖LLM进行解释。
THE JEV GUIDE · CURATED EDITION
TypeSafe Jev 的发布、原理、演示与社区实践,按主题整理。每条内容都可回到 X 原帖核对。
人工精选 · 非全量收录 · 手动更新
01 / EXPLORE
0 表示待收录
据报道,一位斯坦福教授使用JEV构建了一个数据科学系统,每15分钟处理400亿个数据点,以决定哪些结果值得研究。该系统早期版本大量依赖LLM进行解释。
Eric Mao表示惊讶Jev在表格数据上的应用不够受重视,认为每家AI电子表格公司都应基于Jev重建产品,并提到Jev处理10万行数据。
作者在 3000 条真实酒店评论(39 种语言)上测试了 Vercel AI Gateway 的新 Jev 模型,与 gpt-5.4-mini 对比,并对每条评论的 5 个客户体验 KPI 进行评分。
作者在 2200 条思维轨迹上测试 Jev 用于思维链监控,称其分类表现优于 Sonnet 5,且速度比 Luna 快 3.7 倍、比 Sonnet 快 6 倍。
开发者用 Chatfuel SDK 构建开源 Instagram 与 WhatsApp 收件箱地图,将 2 万条消息交给 Jev 分析,识别问题、异议与购买意图,模型成本约 0.0025 美元。
Jev 读取 102 个 AI 账号过去 14 天的数据,将 @Av1dlive 排在第 24 位;排名公式不含粉丝数,只比较同领域触达。
作者尝试用 Jev 替代 k-means 对带标签的坐标点数据集进行分类,准确率较高,仅在边界样本上出错,认为零样本场景下应用潜力大。
作者用一周时间对 Jev 模型进行测量:在完整 HTTP 规范上完成 1.8 万次判断,成本 8 美分;并手工标注 59 个句子检验概率含义,发现每个分桶的实际结果都低于预测值。
作者分享首次使用 Jev 的经验:将 33,411 对数据交给 Jev 判断是否描述同一事件,依据其返回的概率设定阈值——低于 0.3 判为不同、0.3 至 0.7 交由 LLM 裁决、高于 0.7 判为相同,并称速度提升约一半。
Databend 将 Jev 接入其 Python UDF 服务器,让 SQL 能利用模型概率对客户反馈记录进行过滤、分类和排序:Databend 执行查询,Jev 做出有界决策。 链接
将新的 Jev 模型与 DuckDB 配对展现出潜力,可用于回答一次性分析问题并输出类似分类器的概率。
Nathan LeClaire 提出,Jev 能快速并发执行大量评估,因此可以拆分、变异并实验输入,存储数值结果,从而实现显著性分析。