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
Sponsors
Ces produits financent l’annuaire. Envie d’y voir le vôtre ?
L'équipe de Mohebifar a publié OneCodeReviewBench, avec environ 2 000 décisions typées de revue de code et de recherche dans 12 langues. Le constat : le modèle 27B de Jared Palmer, Kev, bat Jev et d'autres API de décision hébergées sur les questions de choix et de score. Link
James LePage indique qu'en combinant quelque chose avec Jev de TypeSafe AI, on peut obtenir de bons tests.
L'utilisateur indique que l'implémentation de Jev n'est pas encore terminée, tout en explorant Opus 5.5 et des bibliothèques de motion graphics, et s'étonne de l'arrivée d'un nouveau modèle IA.
John Wong partage les résultats de LFM3-VL-2B sur JevBench après 200 étapes de LoRA avec backbone gelé : dev 0,657 / test 0,452. Il précise que ce n'est pas comparable au 0,996 propriétaire, qu'il est environ 10 points derrière le meilleur open source de même taille et 25 à 30 points derrière Jev lui-même. Il compte poursuivre l'optimisation.
Ce post affirme que leur routeur surpasse le routeur Jev d'OpenRouter et le routeur Auto sur des tâches de correction de bugs évaluées par pytest, avec une meilleure cohérence (94,4 % contre 72,2 % contre 16,7 %), un coût et une latence inférieurs.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Gagan Devagiri a construit un pipeline similaire à l'API Decisions il y a quelques semaines, en utilisant la recherche web de Parallel et Jev for Pi, et préfère séparer la récupération du jugement pour le codage. Link
Présente un système basé sur Jev intégrant exécution fantôme, contrôle qualité IA, bascule rapide et retour arrière instantané, illustrant une utilisation innovante de Jev dans le génie logiciel.
Sur une tâche de codage, quatre changements clés réduisent considérablement les coûts : une sélection de notes plus intelligente économise 23,7 %, déplacer les décisions vers Jev économise 51,2 %, des chemins de récupération appropriés économisent 58,1 %, et l'acheminement vers un travailleur rapide économise 68,8 %. Chaque levier s'ajoute au précédent, réduisant le coût de 6,42 $ à 2,00 $.
Jev prend quatre décisions—contexte, routage, récupération et tests—pour réduire de 68,8 % les coûts de l'agent de codage, tandis qu'Opus 5.5 écrit le code.
Avec un modèle de décision comme Jev, ne refaites pas un appel IA simplement parce que votre code a pris une autre branche. Posez plus de questions d'un coup.
Ce numéro regroupe le playbook de transformation AI SDLC d'Atlassian, une explication du modèle Jev (qui ne génère pas de texte), la couche de métriques prête pour les agents de Pinterest, l'amélioration des coûts de ClaudeDevs, ainsi qu'un suivi quotidien des publications et tarifs des LLM. Link
Le post affirme que les agents de test d'interface utilisateur autonomes doivent détecter les bugs visuels et les problèmes de contraste en moins d'une seconde, souligne que le modèle Jev ne peut pas accepter d'images, et cite Cloudflare comme preuve que les modèles de décision à grande vitesse ne sont pas nécessairement aveugles.
