Das Jev-Team von TypeSafe AI stellt ein. Der Beitrag enthält einen Bewerbungslink und bittet Kandidaten, sich auf Fragen zu ihren LLM-Versuchen und entdeckten Einschränkungen vorzubereiten.
Jev team is hiring @typesafeai https://jobs.ashbyhq.com/typesafe-ai Be prepare to respond: What have you tried to get working technically with an LLM, and what limitations did you discover?
Der Autor testete Jev anhand eines Benchmarks mit 1.565 deutschen und englischen Geschäfts-E-Mails von Industrielieferanten in 10 Kategorien. Jev war weniger genau als Gemini, doch der Autor interessierte sich für die Fehlermuster und erwägt weiterhin den Produktionseinsatz.
Aaron Levie sagt, Jev helfe Agenten bei schnellen Entscheidungen in Workflows, Datenklassifizierung und Beurteilungen, mit einer Box-und-Jev-Demo, die einen Incident-Bericht aus Box abruft.
Fatih Yildiz sagt, dass Jev von TypeSafe AI für Observability-Entscheidungsmodelle vielversprechend aussieht, und merkt an, dass bei edge_delta die Latenz bei Frontier-Modellen für operatives Prioritäts-Scoring und Event-Routing steigt, weshalb Jev getestet wird.
