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 ?
Propose une méthode de réduction des coûts plus intelligente que de passer à un LLM moins cher : ne plus envoyer chaque décision à un LLM. Construire un système intelligent à trois couches avec Jev, DuckDB, Claude et jev-calibrate, où le logiciel traite les faits et Jev gère les décisions par couches.
L'auteur propose de séparer la réflexion de l'exécution : les orchestrateurs écrivent la tâche, et un petit modèle, Jev, décide quel modèle exécute (Haiku, Sonnet ou Opus). Résultat de 40/40 au test, et aujourd'hui seulement environ 1 tâche sur 18 va à Opus.
Nous avons évalué Jev de TypeSafe AI, un modèle qui répond à des questions typées avec un score de confiance, en tant que pré-étiqueteur sur trois tâches, afin de déterminer si la confiance peut décider quelles étiquettes évitent la revue humaine.
Sur l'écran de publication, Jev détermine si le contenu est une tâche de surveillance. Si c'est le cas, Sonnet enregistre la tâche. Jev surveille ensuite les correspondances, Sonnet confirme et collecte les informations, une notification push est envoyée et la surveillance se termine.
L'utilisateur partage son expérience avec LangChain et prédit que Jev jouera un rôle clé dans l'automatisation complexe future, y compris le choix des LLM appropriés.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
L'utilisateur dit qu'il paierait 100 $/mois pour éviter les publicités sur YouTube TV, mais comme ce n'est pas permis, il a créé une extension Chrome avec le modèle Jev de TypeSafe AI pour remplacer les publicités par des scènes paisibles.
La développeuse utilise Jev pour évaluer le type de corrections nécessaires à la dictée voix-texte, puis transmet le résultat à un petit LLM afin de corriger la ponctuation ou les erreurs de formulation, pour une dictée moins chère et plus précise.
Le post indique que Grok Bot, Claude Opus 5.5, REA, Jev, Dots et Obsidian sont connectés en un seul système plutôt qu'en six applications distinctes, avec un tableau de bord affichant 212 tâches terminées, 7h40 gagnées et 179 $ économisés.
Jev attribue un score de confiance à chaque lecture, environ 13 par seconde, pour ne faire vérifier que les lectures peu fiables.
L'auteur indique que Jev note chaque région analysée par le lecteur OCR et envoie les zones douteuses à un humain, créant ainsi un flux de vérification automatisé.
Un utilisateur montre comment une seule recherche Apollo gratuite a permis de trouver 470 ingénieurs ML, puis d'utiliser Jev sur MonidHQ pour classer, vérifier et passer 5 appels pour seulement 0,077 $.
Un utilisateur partage que combiner Jev avec le bot Grok rend les flux de travail 90% plus rapides. Déposez une idée, Grok la décompose en tâches, Jev compare les prochaines actions et choisit le chemin, puis Grok exécute et vérifie.
