Einen Codebase-Klassifikator mit Jev erstellen
Ein Entwickler teilt den Bau eines Codebase-Klassifikators mit Jev, der überentwickelten Code von Agenten lösen könnte, und fragt, was als Nächstes getestet werden soll.
Jev vs. GPT-5.6 Luna als Operator in der Pipecat-Sprachpipeline
Jon Taylor hat einen detaillierten Walkthrough aufgezeichnet, der Jev und GPT-5.6 Luna als Operator-Element in einer Pipecat-Sprachschnittstellen-Pipeline vergleicht: Jev erreicht 92,6 % Befehlgenauigkeit und 296 ms mediane Latenz, gegenüber 81,3 % und 1.008 ms bei GPT-5.6 Luna.
.@jonptaylor recorded a detailed walkthough of Jev vs GPT-5.6 Luna as the "operator" element of a Pipecat speech interface pipeline. GPT-5.6 Luna: - 81.3% command accuracy - 1,008 ms median latency Jev - 92.6% command accuracy - 296 ms median latency A few notes
· 112 likesOpen on X
More like this
Jev ermöglicht LLM-as-a-Judge mit 20–200x Geschwindigkeit und 40–400x geringeren Kosten
Jev wurde verwendet, um zu bestimmen, welches Modell AGI ist, und bietet 20–200x Geschwindigkeit und 40–400x geringere Kosten, wodurch LLM-as-a-Judge extrem schnell und nahezu kostenlos wird.
Apps testen mit TypeSafe Jev & OpenCode
Filip teilt eine kleine Demo, die zeigt, wie schnell App-Tests mit TypeSafe Jev und OpenCode sein können.
