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
Kaustav Banerjee partage un workflow automatisé complet pour un ticket d'accès : 4 des 20 étapes impliquent des jugements gérés par Jev de TypeSafe AI, et non par un LLM. Le LLM s'exécute une fois, le ticket entier coûte ₹0.16 et la part de Jev est inférieure à 1 paisa.
L'auteur a mis à niveau le triage de modération IA des communautés Bitsocial de gpt-5.6-luna vers gpt-6-luna. Entrée 50 % moins chère, sortie 58 % moins chère, et plus intelligent. Jev continue de gérer les vérifications simples, et les cas incertains vont à grok-4.7.
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.
En s'appuyant sur le cadre de test de @karminski3, l'auteur ajoute plusieurs résultats de Jev sur des problèmes de labyrinthe et les compare à la marche aléatoire et aux algorithmes professionnels de labyrinthe.
Un utilisateur partage une vidéo au ralenti de Jev résolvant un Sudoku.
L'auteur a utilisé le nouveau modèle Jev de TypeSafe dans Skills IL pour construire un outil qui détecte les messages de phishing bancaire reçus par SMS, WhatsApp ou e-mail. Les utilisateurs peuvent coller un message suspect pour le vérifier.
La communauté a partagé un moyen d'exécuter Jev sur Cloud Run avec une RTX PRO 6000 : démarrage à froid d'environ 47 s, de bout en bout environ 117 ms et plus de 100 req/s à concurrence 32. Ils ont aussi utilisé Jev pour créer Snake, Dino et Tetris.
JEV est en cours d'intégration dans le système de mémoire d'Ekko Agent, participant à des étapes clés telles que la classification sémantique, le reclassement des souvenirs candidats et la validation avant écriture. Il aide l'agent à trouver des souvenirs plus pertinents et à être plus prudent sur ce qui vaut la peine d'être mémorisé. Actuellement en test, les premières expériences montrent une amélioration de la précision du rappel dans certains scénarios.
Quelqu'un a créé un énorme répertoire sur tout ce qui concerne Jev : compétences, dépôts, posts X/Reddit, ressources, sites, etc., filtrable par cas d'usage.
L'auteur suggère de ne pas considérer simplement les valeurs de retour de Jev comme correctes, mais de se concentrer sur confidence. Pour les types Choice, ajoutez une option cannot_tell pour éviter les erreurs.
L'auteur pense que Jev n'est pas adapté à la détection de contenu généré par IA, tous les détecteurs d'IA se ressemblent et sont inutiles sauf si la précision dépasse 90%, et recommande une autre API. Link
L'auteur combine Claude Opus 5.5 et Jev, récemment publiés, pour un cas d'usage marketing : évaluation automatique de 120 publicités concurrentes, sélection des 10 à adapter et création de versions pour chacune.