用 Jev 给 OCR 解析结果评分
作者发现表格即使被 OCR 误读也可能看起来排列整齐,因此使用 Jev 对每个 MiniCPM-OCR 解析结果进行 0 到 1 分的质量评分,以便在数字进入报告前优先检查低分项。 链接
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
Sponsors
这些产品赞助了本目录。 把你的产品放上来
作者发现表格即使被 OCR 误读也可能看起来排列整齐,因此使用 Jev 对每个 MiniCPM-OCR 解析结果进行 0 到 1 分的质量评分,以便在数字进入报告前优先检查低分项。 链接
帖子对比 ContactOut、Clay Growth 和 ZoomInfo 的人员数据获取成本,并指出 TypeSafe AI 的 Jev 让选择更明显。
我们集成了Jev,用于在几秒内读取完整的安全报告,并给出关于代币是否能毕业等简单答案,大幅减少人工阅读负担。
开发者分享正在使用AWK和Jev进行数据处理的工作进展,体现Jev在实际开发场景中的应用。
Kike Lopez构建了一个工具,输入任意应用,Jev会读取最新500条评论并告诉你用户最常抱怨的内容。 链接
信息流里每 16 张、每一页都有一张。每周 $50,任意一周可停。
作者使用大量 Hansard 报告、新闻档案和社交媒体帖子构建背景和利益相关者概况,并借助 Jev 进行分类。
Jared介绍OneStar,它基于TypeSafe的Jev模型,以低成本对数千条应用评论进行提问分析,展示用户喜爱之处、离开原因和需求。明天将登陆Product Hunt。
帖子展示 Jev Router 与邻近帕累托最优模型的端到端请求延迟对比。结果显示 Jev Router 的中位延迟为 6.18 秒,高于 DeepSeek V4.1 Flash (Max) 的 3.64 秒,P90 延迟差距进一步扩大。
Arena.ai的数据显示,Jev优先考虑效率,将超过四分之一(28.1%)的模型调用路由至DeepSeek V4.1 Flash,并表现出对OpenAI模型(如GPT-6 Astra)的偏好,而非Anthropic的LLM。
该数据科学系统每 15 分钟分析 400 亿个数据点,并能自动决定哪些结果需要深入分析。斯坦福教授花了一年多时间开发。
文章拆解AI数据分析方案:Qwen生成SQL,Jev负责校验,代码层决定可执行性。核心原则:凡能被代码验证的,就用代码验证。 链接
作者用 Grok 4.7 和 Jev 构建了一个 X 病毒帖查看器:Jev 负责给帖子排序,Grok 4.7 负责解释。作者称 31 秒内处理的帖子比全年还多,运行成本不到一张车票。
在 GitHub 点 Star,支持我们继续收集和整理 Jev 案例。