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
Le fondateur de Jev a publié un masterclass d'une heure expliquant le fonctionnement réel de Jev : LLM → Décisions → Vérification → Agents de codage, avec pourquoi les LLM seuls ne suffisent pas, les trois primitives derrière Jev, et comment transformer d'énormes tâches d'IA en petites étapes fiables.
Ce post, destiné aux débutants de CodeX et Claude, présente le flux de base du modèle Jev : saisie de l'état et de la question, traitement par Jev et sortie d'une probabilité calibrée.
Arman utilise Saul Goodman et la clochette d'Hector pour opposer les LLM à Jev, indiquant que Jev, développé par TypeSafe AI, est conçu pour fournir des signaux de décision structurés, petits et précis dans les logiciels.
Grok Bot exécute le travail ; Jev décide de la prochaine étape. Ce tutoriel de 22 minutes présente Jev, le modèle System One de TypeSafe, qui prend des décisions plutôt que de discuter.
Jev n'a pas d'étape de décodage ; la réponse sort d'une seule passe de préremplissage, le rendant environ 200 fois plus rapide qu'un juge LLM classique.
Dans la communauté, on explique sans cesse en quoi Jev diffère des LLM classiques.
Jev utilise le contexte et des questions typées pour produire des décisions bornées avec probabilités, pas un autre générateur de texte.
Jev effectue une vérification de portée à chaque tour de code, signale les hunks non demandés par le prompt, juge par hunk plutôt que par PR entière, et propose In scope / Check scope / N unrequested. Sessions uniquement pour l'instant.
Jev va au-delà de la génération de texte : il analyse, évalue, identifie les lacunes, décide de ce qui doit changer et suggère la prochaine étape, sans suivre aveuglément les instructions.
Diogo Almeida de TypeSafe affirme que même avec un milliard de dollars, il ne pré-entraînerait pas un modèle fondation ; Jev est construit en découpant et recombinant des stacks existants.
Présente le modèle Jev de TypeSafe AI, axé sur les décisions probabilistes typées, notamment Noul (Oui/Non), Choice (sélection d'une option) et Score (noter sur une échelle définie), contrastant avec la génération ouverte des LLM.
Le post observe qu'une grande partie de ce qui ressemble à du raisonnement dans l'infrastructure des agents n'est en réalité que de la classification. Jev rend cette distinction explicite : il ne génère aucun texte ; il reçoit plutôt un état et une question typée.