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
Kaustav Banerjee teilt einen vollständig automatisierten Workflow für ein Zugangsticket: 4 von 20 Schritten umfassen Urteilsentscheidungen von TypeSafe AIs Jev, nicht von einem LLM. Das LLM läuft nur einmal, das gesamte Ticket kostet ₹0.16, Jevs Anteil unter 1 Paisa.
Der Autor hat das KI-Moderations-Triage in Bitsocial-Communitys von gpt-5.6-luna auf gpt-6-luna aktualisiert: 50 % günstigerer Input, 58 % günstigerer Output, aber intelligenter. Jev übernimmt weiterhin die einfachen Checks, unsichere Fälle gehen an grok-4.7.
Der Gründer von Jev hat einen 1-stündigen Masterclass veröffentlicht, der erklärt, wie Jev tatsächlich funktioniert: LLMs → Entscheidungen → Verifizierung → Codierungsagenten. Behandelt werden, warum LLMs allein nicht ausreichen, die drei Primitive hinter Jev und wie große KI-Aufgaben in kleine zuverlässige Schritte zerlegt werden.
Basierend auf dem Testframework von @karminski3 ergänzt der Autor mehrere Ergebnisse für Jev bei Labyrinthproblemen und vergleicht sie mit Random Walk und professionellen Labyrinth-Algorithmen.
Ein Nutzer teilt einen Zeitlupen-Clip von Jev beim Lösen eines Sudoku.
Der Autor hat in Skills IL das neue Modell Jev von TypeSafe verwendet, um ein Tool zu erstellen, das Phishing-Nachrichten von Banken erkennt, die per SMS, WhatsApp oder E-Mail empfangen werden. Benutzer können eine verdächtige Nachricht direkt einfügen und prüfen.
Die Community hat einen Weg geteilt, Jev auf Cloud Run mit einer RTX PRO 6000 auszuführen: ~47 s Kaltstart, ~117 ms Ende-zu-Ende und 100+ req/s bei einer Parallelität von 32. Außerdem haben sie mit Jev Spiele wie Snake, Dino und Tetris erstellt.
JEV wird in das Speichersystem von Ekko Agent integriert und nimmt an Schlüsselphasen wie semantischer Klassifizierung, Neusortierung von Kandidaten-Erinnerungen und Vor-Schreib-Validierung teil. Es hilft dem Agenten, relevantere Erinnerungen zu finden und vorsichtiger zu entscheiden, was es wert ist, gespeichert zu werden. Derzeit in der Testphase; erste Erfahrungen zeigen eine verbesserte Abrufgenauigkeit in einigen Szenarien.
Jemand hat ein riesiges Verzeichnis zu allem rund um Jev erstellt, einschließlich Skills, Repos, X/Reddit-Beiträgen, Ressourcen, Websites und mehr, filterbar nach Anwendungsfall.
Der Autor schlägt vor, Rückgabewerte von Jev nicht einfach als korrekt zu behandeln, sondern auf confidence zu achten. Bei Choice-Typen sollte eine cannot_tell-Option hinzugefügt werden, um Fehlurteile zu vermeiden.
Der Autor hält Jev für ungeeignet zur Erkennung von KI-generierten Inhalten, alle KI-Detektoren sind gleich und sinnlos, es sei denn, die Genauigkeit liegt über 90 %, und empfiehlt eine andere API. Link
Der Autor kombiniert die kürzlich veröffentlichten Claude Opus 5.5 und Jev für einen Marketing-Anwendungsfall: automatische Bewertung von 120 Wettbewerbsanzeigen, Auswahl der 10 anpassenswerten und Erstellung von Versionen jeder Anzeige.