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
Sponsors
Diese Produkte finanzieren das Verzeichnis. Ihres auch hier?
Mohebifars Team hat OneCodeReviewBench veröffentlicht, mit rund 2.000 typisierten Code-Review- und Suchentscheidungen in 12 Sprachen. Ergebnis: Jared Palmers 27B-Modell Kev schlägt Jev und andere gehostete Entscheidungs-APIs bei Auswahl- und Bewertungsfragen. Link
James LePage sagt, dass die Kombination von etwas mit Jev von TypeSafe AI zu guten Tests führen kann.
Der Nutzer sagt, die Jev-Implementierung sei noch nicht abgeschlossen, während er Opus 5.5 und Motion-Graphics-Bibliotheken ausprobiert, und staunt über ein weiteres neues KI-Modell.
John Wong teilt die JevBench-Ergebnisse von LFM3-VL-2B nach 200 LoRA-Schritten mit eingefrorenem Backbone: dev 0,657 / test 0,452. Er weist darauf hin, dass dies nicht mit dem proprietären 0,996 vergleichbar ist, etwa 10 Punkte hinter dem besten Open-Source-Modell ähnlicher Größe und 25–30 Punkte hinter Jev selbst liegt. Weitere Optimierungen folgen.
Dieser Beitrag behauptet, dass ihr Router den Jev-Router und Auto-Router von OpenRouter bei pytest-bewerteten Bugfix-Aufgaben übertrifft, mit höherer Konsistenz (94,4 % vs. 72,2 % vs. 16,7 %), geringeren Kosten und geringerer Latenz.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Gagan Devagiri hat vor einigen Wochen eine Pipeline ähnlich der Decisions API mit Parallels Websuche und Jev for Pi gebaut und bevorzugt die Trennung von Abruf und Urteil beim Programmieren. Link
Stellt ein mit Jev entwickeltes System vor, das Shadow-Running, KI-Qualitätsprüfung, schnelles Umschalten und sofortigen Rollback kombiniert und damit einen innovativen Jev-Einsatz im Software-Engineering zeigt.
Bei einer Codierungsaufgabe erzielen vier wesentliche Änderungen erhebliche Kosteneinsparungen: intelligentere Notizauswahl spart 23,7 %, Verlagerung von Entscheidungen auf Jev spart 51,2 %, geeignete Wiederherstellungspfade sparen 58,1 % und Routing zu einem schnellen Worker spart 68,8 %. Jeder Hebel baut auf dem letzten auf und senkt die Kosten von 6,42 $ auf 2,00 $.
Jev trifft vier Entscheidungen—Kontext, Routing, Wiederherstellung und Tests—um die Kosten des Coding-Agenten um 68,8 % zu senken, während Opus 5.5 den Code schreibt.
Wenn Sie mit einem Entscheidungsmodell wie Jev arbeiten, rufen Sie nicht erneut eine KI auf, nur weil Ihr Code einen anderen Zweig genommen hat. Stellen Sie stattdessen alle Fragen auf einmal.
Diese Ausgabe umfasst das AI-SDLC-Transformations-Playbook von Atlassian, eine Erklärung des Jev-Modells (das keinen Text generiert), die agentenbereite Metrik-Schicht von Pinterest, Kosteneinsparungen bei ClaudeDevs sowie einen täglichen LLM-Release- und Preis-Tracker. Link
Der Beitrag argumentiert, dass autonome UI-Testagenten visuelle Fehler und Kontrastprobleme in Sekundenbruchteilen erkennen müssen, weist darauf hin, dass das Jev-Modell keine Bilder akzeptieren kann, und führt Cloudflare als Beweis an, dass Hochgeschwindigkeits-Entscheidungsmodelle nicht blind sein müssen.
