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
Kaustav Banerjee comparte un flujo de trabajo automatizado completo para un ticket de acceso: 4 de 20 pasos implican juicios manejados por Jev de TypeSafe AI, no por un LLM. El LLM se ejecuta una vez, todo el ticket cuesta ₹0.16 y la parte de Jev es menos de 1 paisa.
El autor actualizó el triage de moderación de IA en las comunidades de Bitsocial de gpt-5.6-luna a gpt-6-luna: un 50% más barato en entrada, un 58% más barato en salida y más inteligente. Jev sigue encargándose de las comprobaciones fáciles, y las dudosas van a grok-4.7.
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.
Basándose en el marco de pruebas de @karminski3, el autor añade múltiples resultados de Jev en problemas de laberinto y los compara con el paseo aleatorio y algoritmos profesionales de laberinto.
Un usuario comparte un clip en cámara lenta de Jev resolviendo un Sudoku.
El autor usó el nuevo modelo Jev de TypeSafe en Skills IL para construir una herramienta que detecta mensajes de phishing bancario recibidos por SMS, WhatsApp o correo electrónico. Los usuarios pueden pegar un mensaje sospechoso directamente para verificarlo.
La comunidad compartió una forma de ejecutar Jev en Cloud Run con una RTX PRO 6000: arranque en frío de ~47 s, extremo a extremo de ~117 ms y más de 100 req/s con concurrencia 32. Además, usaron Jev para crear juegos como Snake, Dino y Tetris.
JEV se está integrando en el sistema de memoria de Ekko Agent, participando en etapas clave como la clasificación semántica, el reordenamiento de recuerdos candidatos y la validación previa a la escritura. Ayuda al agente a encontrar recuerdos más relevantes y a ser más cauteloso sobre qué vale la pena recordar. Actualmente está en pruebas; la experiencia inicial muestra una mejora en la precisión del recuerdo en algunos escenarios.
Alguien creó un directorio masivo sobre todo lo relacionado con Jev, que incluye habilidades, repositorios, publicaciones de X/Reddit, recursos, sitios y más, con filtros por caso de uso.
El autor sugiere que los valores de retorno de Jev no deben tratarse simplemente como correctos; en su lugar, hay que prestar atención a confidence. Para los tipos Choice, se debe añadir una opción cannot_tell para evitar errores.
El autor cree que Jev no es adecuado para la detección de contenido generado por IA, todos los detectores de IA son similares y no tienen sentido a menos que la precisión supere el 90%, recomendando otra API. Link
El autor combina Claude Opus 5.5 y Jev, lanzados recientemente, en un caso de uso de marketing: puntúa automáticamente 120 anuncios de la competencia, preselecciona los 10 que merece la pena adaptar y crea versiones de cada uno.