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
El fundador de Jev publicó una masterclass de 1 hora que desglosa cómo funciona Jev realmente: LLM → Decisiones → Verificación → Agentes de codificación, cubriendo por qué los LLM por sí solos no bastan, los tres primitivos detrás de Jev y cómo convertir grandes tareas de IA en pequeños pasos fiables.
Esta publicación, dirigida a principiantes de CodeX y Claude, presenta el flujo básico del modelo Jev: entrada de estado y pregunta, proceso a través de Jev y salida de probabilidad calibrada.
Arman usa a Saul Goodman y la campana de Héctor para contrastar los LLM con Jev, señalando que Jev, construido por TypeSafe AI, está diseñado para proporcionar señales de decisión estructuradas pequeñas y precisas dentro del software.
Grok Bot ejecuta el trabajo; Jev decide el siguiente paso. Este tutorial de 22 minutos muestra el modelo System One de TypeSafe, Jev, que toma decisiones en lugar de chatear.
Jev no tiene etapa de decodificación; la respuesta sale de una sola pasada de prefill, por lo que es unas 200 veces más rápido que un juez LLM tradicional.
En la comunidad se sigue explicando en qué se diferencia Jev de los LLM comunes.
Jev utiliza contexto y preguntas tipadas para generar decisiones acotadas con probabilidades, no otro generador de texto.
Jev realiza una verificación de alcance en cada turno de código, marca los hunks que el prompt no solicitó, juzga por hunk y no por PR completo, y ofrece opciones In scope / Check scope / N unrequested. Solo por sesiones por ahora.
Jev va más allá de la generación de texto: analiza, evalúa, identifica vacíos, decide qué cambiar y sugiere el siguiente paso, sin seguir instrucciones a ciegas.
Diogo Almeida, de TypeSafe, afirma que ni con mil millones de dólares preentrenaría un modelo fundacional desde cero; Jev se construye rebanando, cortando y recombinando pilas existentes.
Presenta el modelo Jev de TypeSafe AI, centrado en decisiones probabilísticas tipadas, incluyendo Noul (Sí/No), Choice (seleccionar una opción) y Score (puntuar en una escala definida), en contraste con la generación abierta de los LLM.
La publicación señala que gran parte de lo que parece razonamiento en la infraestructura de agentes es en realidad solo clasificación. Jev hace explícita esta distinción: no genera texto en absoluto; en cambio, recibe un estado y una pregunta tipificada.