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
Ce post documente une expérience utilisant le modèle Jev pour résoudre un problème de rangement 3D, avec le temps de calcul, le nombre d'appels à Jev et le coût, en précisant que l'ignorance des contraintes de support entraîne des objets flottants.
AbdelStark présente LeJudge, la première expérience intégrant Jev dans un planificateur de modèle du monde JEPA, jugé par un modèle de décision plutôt qu'un LLM. Il imagine 300 futurs et des sondes les transforment en mots.
Cette publication partage une comparaison et un benchmark de modèles de décision avec Jev comme référence, avec un lien vers l'espace Jev Decision Index sur Hugging Face. Link
L'auteur rapporte que la moyenne de 8 permutations des sorties de Qwen réduit l'erreur KL d'environ 79%, et les 720 permutations d'environ 97%, tandis que Jev ne montre qu'une légère amélioration.
Inspiré par le buzz autour de JEV, l'auteur propose de le tester avec le dilemme moral de MIT Moral Machine plutôt qu'aux échecs.
Présentation de l'application JEV de scRNAseq lors d'un hackathon à Boston, offrant des décisions plus rapides, moins coûteuses et plus structurées pour les bioinformaticiens, et potentiellement un signal RL. Link
L'utilisateur note que, pour des CV identiques, Jev montre une légère préférence pour les noms à consonance noire et une légère aversion pour les noms à consonance asiatique ; différence très faible mais apparemment statistiquement significative.
Le post affirme qu'un modèle System One de type Jev est plus rapide et moins coûteux, permet une modélisation des interactions en temps réel et dispose d'un espace de sortie drastiquement limité par rapport aux LLM, ce qui pourrait révolutionner la simulation humaine.
Harrison Kinsley partage une petite comparaison ludique entre GLM 5.3 Flash avec Jev et OpenJev, notant que le OpenJev de 4B gagne facilement.
Exécution de TypeSafeAI dans des modèles ABM pour reproduire les expériences de double enchère de Gode & Sunder / Smith avec des agents Jev : les agents ZI-C atteignent l'équilibre plus rapidement mais avec une variance de prix plus élevée, tandis que les agents Jev réduisent la variance des prix et les écarts bid-ask au prix d'une convergence plus lente.
Selon la publication, Jev a résolu un problème ouvert de longue date en mathématiques.
Robert indique que Jev participe désormais pleinement à la création et à la recherche sur hybrid001.