THE JEV GUIDE · CURATED EDITION
Noticias de lanzamiento, explicaciones, demos y proyectos de la comunidad sobre TypeSafe Jev, organizados por tema. Cada entrada enlaza a su fuente en X.
Selección curada · No exhaustiva · Actualización manual
01 / EXPLORE
0 means awaiting a verified post
Según se informa, un profesor de Stanford utilizó JEV para construir un sistema de ciencia de datos que procesa 40 mil millones de puntos de datos cada 15 minutos para decidir qué resultados merecen la pena investigar. La primera versión dependía en gran medida de los LLM para interpretar todo.
Eric Mao se sorprende de que Jev no sea más relevante para datos tabulares, cree que toda empresa de hojas de cálculo con IA debería reconstruir su producto con Jev y menciona que procesa 100k filas.
El autor probó el nuevo modelo Jev de Vercel AI Gateway contra gpt-5.4-mini en 3000 reseñas reales de hoteles (39 idiomas), puntuando 5 KPIs de experiencia del huésped en cada una.
El autor probó Jev para el monitoreo de CoT en 2200 trazas de pensamiento, informando que supera a Sonnet 5 en clasificación y es 3,7 veces más rápido que Luna y 6 veces más rápido que Sonnet.
Un desarrollador creó un mapa de bandeja de entrada de Instagram y WhatsApp de código abierto con el SDK de Chatfuel, y usó Jev para analizar 20.000 mensajes e identificar preguntas, objeciones e intención de compra por ~$0,0025.
Jev leyó los últimos 14 días de 102 cuentas de IA y colocó a @Av1dlive en el puesto 24; la fórmula no incluye seguidores y compara alcance dentro del mismo nicho.
El autor probó Jev para clasificar conjuntos de puntos con etiquetas en lugar de k-means, con alta precisión y errores solo en casos límite, viendo potencial para aplicaciones zero-shot.
El autor pasó una semana midiendo Jev: 18.000 juicios sobre una especificación HTTP completa por 8 centavos, y luego etiquetó a mano 59 frases para comprobar si las probabilidades significan algo. Todos los intervalos quedaron por debajo de su predicción.
El autor comparte su primer intento con Jev: envió 33.411 pares para decidir si describen el mismo evento, usando las probabilidades devueltas como umbrales: menos de 0,3 como distintos, 0,3–0,7 derivados a un LLM y más de 0,7 como iguales; reporta aproximadamente la mitad del tiempo.
Databend conectó Jev a su servidor Python UDF para que SQL pueda filtrar, clasificar y ordenar registros de comentarios de clientes usando probabilidades del modelo: Databend ejecuta la consulta y Jev toma la decisión acotada. Link
La combinación del nuevo modelo Jev con DuckDB muestra potencial para responder preguntas analíticas puntuales y devolver probabilidades similares a un clasificador.
Nathan LeClaire sugiere que la capacidad de Jev para ejecutar muchas evaluaciones rápida y concurrentemente permite descomponer, mutar y experimentar con entradas y almacenar resultados numéricos, lo que podría habilitar análisis de significancia.