THE JEV GUIDE · CURATED EDITION
Annonces, explications, démos et projets communautaires autour de TypeSafe Jev, organisés par thème. Chaque entrée renvoie à sa source sur X.
Sélection curée · Non exhaustive · Mise à jour manuelle
01 / EXPLORE
0 means awaiting a verified post
Un professeur de Stanford aurait utilisé JEV pour construire un système de science des données qui traite 40 milliards de points de données toutes les 15 minutes afin de décider quels résultats méritent d'être étudiés. La première version s'appuyait fortement sur les LLM pour tout interpréter.
Eric Mao s'étonne que Jev ne soit pas plus utilisé pour les données tabulaires, pense que chaque entreprise de tableur IA devrait reconstruire son produit avec Jev, et mentionne le traitement de 100k lignes.
L'auteur a testé le nouveau modèle Jev de Vercel AI Gateway contre gpt-5.4-mini sur 3 000 avis hôteliers réels (39 langues), notant 5 KPI d'expérience client chacun.
L'auteur a testé Jev pour la surveillance CoT sur 2 200 traces de pensée, rapportant qu'il surpasse Sonnet 5 en classification et est 3,7 fois plus rapide que Luna et 6 fois plus rapide que Sonnet.
Un développeur a créé une carte de boîte de réception Instagram et WhatsApp open source avec le SDK Chatfuel, et a confié 20 000 messages à Jev pour identifier questions, objections et intentions d'achat pour ~0,0025 $.
Jev a analysé les 14 derniers jours de 102 comptes IA et classe @Av1dlive 24e ; la formule exclut le nombre d'abonnés et compare la portée dans la même niche.
L'auteur a testé Jev pour classifier des jeux de points étiquetés au lieu de k-means, avec une bonne précision et des erreurs uniquement aux frontières, envisageant des applications zero-shot.
L'auteur a passé une semaine à mesurer Jev : 18 000 jugements sur une spécification HTTP complète pour 8 cents, puis a annoté manuellement 59 phrases pour vérifier si les probabilités ont un sens. Chaque intervalle est resté en dessous de sa prédiction.
L'auteur partage une première utilisation de Jev : 33 411 paires soumises pour déterminer si elles décrivent le même événement, avec des seuils basés sur les probabilités renvoyées — moins de 0,3 comme différents, 0,3–0,7 confiés à un LLM, plus de 0,7 comme identiques — et environ deux fois plus rapide.
Databend a connecté Jev à son serveur Python UDF afin que SQL puisse filtrer, classer et ordonner les enregistrements de retours clients à l'aide des probabilités du modèle : Databend exécute la requête, Jev prend la décision bornée. Link
L'association du nouveau modèle Jev avec DuckDB montre un potentiel pour répondre à des questions analytiques ponctuelles et renvoyer des probabilités similaires à un classifieur.
Nathan LeClaire suggère que la capacité de Jev à exécuter de nombreuses évaluations rapidement et en parallèle permet de décomposer, muter et expérimenter des entrées tout en stockant les résultats numériques, ce qui pourrait permettre une analyse de significativité.