THE JEV GUIDE · CURATED EDITION
Launch News, Erklärungen, Demos und Community Projekte rund um TypeSafe Jev, nach Themen geordnet. Jeder Eintrag verweist auf die Quelle bei X.
Kuratierte Auswahl · Nicht vollständig · Manuell aktualisiert
01 / EXPLORE
0 means awaiting a verified post
Ein Stanford-Professor nutzte Berichten zufolge JEV, um ein Data-Science-System aufzubauen, das alle 15 Minuten 40 Milliarden Datenpunkte verarbeitet, um zu entscheiden, welche Ergebnisse eine Untersuchung wert sind. Die erste Version stützte sich stark auf LLMs, um alles zu interpretieren.
Eric Mao ist überrascht, dass Jev bei tabellarischen Daten nicht größer ist, findet, dass jedes KI-Tabellenkalkulationsunternehmen mit Jev neu aufbauen sollte, und erwähnt die Verarbeitung von 100k Zeilen.
Der Autor testete das neue Jev-Modell von Vercel AI Gateway gegen gpt-5.4-mini an 3.000 echten Hotelbewertungen (39 Sprachen) und bewertete jeweils 5 Kundenerlebnis-KPIs.
Der Autor testete Jev für CoT-Monitoring an 2.200 Gedankenspuren und berichtet, dass es Sonnet 5 bei der Klassifizierung übertrifft und 3,7-mal schneller als Luna und 6-mal schneller als Sonnet klassifiziert.
Ein Entwickler erstellte mit dem Chatfuel SDK eine Open-Source-Posteingangskarte für Instagram und WhatsApp und ließ Jev 20.000 Nachrichten analysieren, um Fragen, Einwände und Kaufabsichten für ~0,0025 $ zu erkennen.
Jev las die letzten 14 Tage von 102 KI-Konten und setzte @Av1dlive auf Platz 24; die Formel enthält keine Follower-Zahl und vergleicht Reichweite in derselben Nische.
Der Autor testete Jev zur Klassifikation gelabelter Koordinatenpunkte statt k-means, mit hoher Genauigkeit und Fehlern nur an Randfällen, und sieht Potenzial für Zero-Shot-Anwendungen.
Der Autor hat eine Woche mit der Messung von Jev verbracht: 18.000 Urteile über eine vollständige HTTP-Spezifikation für 8 Cent, dann 59 Sätze manuell gelabelt, um zu prüfen, ob die Wahrscheinlichkeiten etwas bedeuten. Jeder Bucket lag unter seiner Vorhersage.
Der Autor teilt einen ersten Versuch mit Jev: 33.411 Paare wurden übergeben, um zu entscheiden, ob sie dasselbe Ereignis beschreiben; die zurückgegebenen Wahrscheinlichkeiten dienen als Schwellen – unter 0,3 als verschieden, 0,3–0,7 an ein LLM, über 0,7 als gleich – bei etwa halber Laufzeit.
Databend hat Jev an seinen Python-UDF-Server angebunden, damit SQL Kundenfeedback-Datensätze mithilfe von Modellwahrscheinlichkeiten filtern, klassifizieren und ordnen kann: Databend führt die Abfrage aus, Jev trifft die begrenzte Entscheidung. Link
Die Kombination des neuen Jev-Modells mit DuckDB zeigt Potenzial, einmalige analytische Fragen zu beantworten und klassifikatorähnliche Wahrscheinlichkeiten zu liefern.
Nathan LeClaire schlägt vor, dass Jevs Fähigkeit, viele Evaluierungen schnell und parallel auszuführen, das Zerlegen, Mutieren und Experimentieren mit Eingaben bei gleichzeitiger Speicherung numerischer Ergebnisse ermöglicht, was eine Signifikanzanalyse erlauben könnte.