Der Autor teilt ein Jev-Anwendungsexperiment: Text in Teile zerlegen, verschiedene Kürzungsmuster mit vielen Jev-Urteilen bewerten und Lesbarkeit gegen Informationsverlust abwägen, um Text zu komprimieren und LLM-Redundanz zu entfernen.
Jevの応用実験で文章を圧縮してLLMの冗長さを省く実験やってみた。パーツごとに分解していろんな削りパターンを判定し、読みやすさと情報の欠損のバランスをとっていくのを大量のJev判定でやっていく
Malte Ubl testete Jev von TypeSafe AI in einem bestehenden Klassifikator-Eval: Es sättigte das Eval qualitativ und war 6-mal schneller als Gemini 2.5 Flash Lite.
Der Autor hat eine DuckDB-Erweiterung veröffentlicht, die TypeSafe AIs Jev nutzt, um Zeilen in CSV/Parquet-Dateien oder DuckDB-Tabellen schnell zu klassifizieren – etwa 10 Sekunden für 1k Zeilen, schneller als ein LLM und ergonomischer als ein Klassifikator.
Der Autor fasste jedes Paper mit DeepSeek V4 Flash zusammen und übergab Titel, Zusammenfassung und 24 mögliche Themen an Jev zur Klassifizierung. 1.018 KI-Papers wurden bei 0,08 $ Gesamtkosten und 256 ms medianer End-to-End-Latenz pro Paper verarbeitet.
