THE JEV GUIDE · CURATED EDITION
TypeSafe Jev से जुड़ी लॉन्च खबरें, व्याख्याएँ, डेमो और समुदाय प्रोजेक्ट विषय के अनुसार व्यवस्थित हैं। हर एंट्री X के मूल स्रोत से जुड़ती है।
चुनी हुई सूची · पूर्ण नहीं · मैनुअल अपडेट
01 / EXPLORE
0 means awaiting a verified post
सूचना है कि स्टैनफोर्ड के एक प्रोफेसर ने JEV का उपयोग करके एक डेटा-साइंस सिस्टम बनाया जो हर 15 मिनट में 40 बिलियन डेटा पॉइंट्स को संसाधित करता है ताकि यह तय किया जा सके कि कौन से परिणाम जांचने योग्य हैं। पहला संस्करण सब कुछ व्याख्या करने के लिए LLM पर अत्यधिक निर्भर था।
Eric Mao को आश्चर्य है कि सारणीबद्ध डेटा के लिए Jev इतना बड़ा नहीं है, उनका मानना है कि हर AI स्प्रेडशीट कंपनी को Jev के साथ अपना उत्पाद फिर से बनाना चाहिए, और 100k पंक्तियों की प्रोसेसिंग का उल्लेख करते हैं।
लेखक ने 3,000 वास्तविक होटल समीक्षाओं (39 भाषाओं) पर Vercel AI Gateway के नए Jev मॉडल का gpt-5.4-mini के मुकाबले परीक्षण किया, प्रत्येक में 5 अतिथि अनुभव KPI स्कोर किए।
लेखक ने 2,200 विचार ट्रेस पर CoT मॉनिटरिंग के लिए Jev का परीक्षण किया और बताया कि यह वर्गीकरण में Sonnet 5 से बेहतर है तथा Luna से 3.7 गुना और Sonnet से 6 गुना तेज़ है।
एक डेवलपर ने Chatfuel SDK से ओपन-सोर्स Instagram और WhatsApp इनबॉक्स मैप बनाया और 20,000 संदेश Jev को दिए, जिससे सवाल, आपत्तियाँ और खरीद इरादा ~$0.0025 की लागत में सामने आए।
Jev ने 102 AI अकाउंट के पिछले 14 दिन पढ़े और @Av1dlive को 24वें स्थान पर रखा; फ़ॉर्मूले में फ़ॉलोअर संख्या नहीं है, केवल समान niche में reach की तुलना होती है।
लेखक ने k-means के बजाय लेबल किए गए निर्देशांक बिंदुओं के वर्गीकरण के लिए Jev आज़माया, उच्च सटीकता मिली और केवल सीमा मामलों में त्रुटि हुई, जिससे ज़ीरो-शॉट अनुप्रयोगों की संभावना दिखती है।
लेखक ने एक सप्ताह Jev को मापने में बिताया: पूर्ण HTTP स्पेक पर 8 सेंट में 18,000 निर्णय, फिर प्रायिकताओं का अर्थ जाँचने के लिए 59 वाक्यों को हाथ से लेबल किया। हर बकेट अपनी भविष्यवाणी से नीचे रहा।
लेखक Jev के साथ पहला प्रयोग साझा करते हैं: 33,411 जोड़ों को यह तय करने के लिए भेजा गया कि वे एक ही घटना का वर्णन करते हैं या नहीं, और लौटाई गई प्रायिकताओं को थ्रेशोल्ड के रूप में उपयोग किया—0.3 से कम भिन्न, 0.3–0.7 LLM को सौंपा गया, 0.7 से अधिक समान—और लगभग आधे समय की रिपोर्ट दी।
Databend ने Jev को अपने Python UDF सर्वर से जोड़ा ताकि SQL मॉडल संभावनाओं का उपयोग करके ग्राहक फ़ीडबैक रिकॉर्ड को फ़िल्टर, वर्गीकृत और रैंक कर सके: Databend क्वेरी चलाता है, Jev सीमित निर्णय लेता है। Link
नए Jev मॉडल को DuckDB के साथ जोड़ना एकबारगी विश्लेषणात्मक प्रश्नों का उत्तर देने और क्लासिफायर जैसी संभावनाएँ लौटाने की क्षमता दिखाता है।
Nathan LeClaire का सुझाव है कि Jev की कई मूल्यांकनों को तेज़ी से और समवर्ती रूप से चलाने की क्षमता इनपुट को तोड़ने, उत्परिवर्तित करने और प्रयोग करने तथा संख्यात्मक परिणाम संग्रहीत करने की अनुमति देती है, जिससे संभवतः सार्थकता विश्लेषण संभव हो सकता है।