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
Kaustav Banerjee एक एक्सेस टिकट के लिए पूरी स्वचालित वर्कफ़्लो साझा करते हैं: 20 चरणों में से 4 निर्णय TypeSafe AI के Jev द्वारा लिए जाते हैं, न कि LLM द्वारा। LLM केवल एक बार चलता है, पूरा टिकट ₹0.16 का है, और Jev का हिस्सा 1 पैसे से कम है।
लेखक ने Bitsocial समुदायों में AI मॉडरेशन ट्राइज को gpt-5.6-luna से gpt-6-luna में अपग्रेड किया। इनपुट कीमत 50% सस्ती, आउटपुट 58% सस्ती, और अधिक स्मार्ट। Jev अभी भी आसान जाँचें संभालता है, और अनिश्चित मामले grok-4.7 को जाते हैं।
Jev के संस्थापक ने 1 घंटे की मास्टरक्लास जारी की जिसमें Jev के वास्तविक कार्यप्रवाह को समझाया गया: LLMs → निर्णय → सत्यापन → कोडिंग एजेंट। साथ ही चर्चा की गई कि केवल LLM पर्याप्त क्यों नहीं हैं, Jev के पीछे के तीन मूलभूत सिद्धांत, और बड़े AI कार्यों को छोटे विश्वसनीय चरणों में कैसे बदलें।
@karminski3 के परीक्षण ढांचे के आधार पर, लेखक ने भूलभुलैया समस्याओं पर Jev के कई परिणाम जोड़े और उनकी तुलना रैंडम वॉक और पेशेवर भूलभुलैया एल्गोरिदम से की।
एक उपयोगकर्ता Jev द्वारा सुडोकू हल करने का धीमी गति वाला क्लिप साझा करता है।
लेखक ने Skills IL में TypeSafe के नए मॉडल Jev का उपयोग करके एक टूल बनाया है जो SMS, WhatsApp या ईमेल के माध्यम से प्राप्त बैंक फ़िशिंग संदेशों का पता लगाता है। उपयोगकर्ता किसी संदिग्ध संदेश को सीधे चिपकाकर सत्यापित कर सकते हैं।
समुदाय ने Cloud Run पर RTX PRO 6000 के साथ Jev चलाने का तरीका साझा किया: ~47 सेकंड कोल्ड स्टार्ट, ~117ms एंड-टू-एंड, और 32 कंकरेंसी पर 100+ req/s। उन्होंने Jev का उपयोग करके स्नेक, डायनो और टेट्रिस गेम भी बनाए।
JEV को Ekko Agent की मेमोरी सिस्टम में एकीकृत किया जा रहा है, जो सिमेंटिक वर्गीकरण, उम्मीदवार स्मृति पुनर्क्रमण और लेखन-पूर्व सत्यापन जैसे प्रमुख चरणों में भाग लेता है। यह एजेंट को अधिक प्रासंगिक यादें खोजने में मदद करता है और यह अधिक सतर्कता से तय करता है कि क्या याद रखने लायक है। फिलहाल परीक्षण चल रहा है; प्रारंभिक अनुभव से कुछ परिदृश्यों में रिकॉल सटीकता में सुधार दिखा है।
किसी ने Jev से जुड़ी हर चीज़ की एक विशाल निर्देशिका बनाई है, जिसमें स्किल्स, रिपॉजिटरी, X/Reddit पोस्ट, संसाधन, साइटें और बहुत कुछ शामिल है, और इसे उपयोग के मामले के अनुसार फ़िल्टर किया जा सकता है।
लेखक सुझाव देते हैं कि Jev के रिटर्न मानों को केवल सही न मानें; इसके बजाय confidence पर ध्यान दें। Choice प्रकारों के लिए, गलत निर्णय से बचने हेतु cannot_tell विकल्प जोड़ा जाना चाहिए।
लेखक का मानना है कि Jev AI जनित सामग्री पहचान के लिए उपयुक्त नहीं है, सभी AI डिटेक्टर एक जैसे हैं और 90% से अधिक सटीकता के बिना व्यर्थ हैं, साथ ही एक अन्य API की सिफारिश करते हैं। Link
लेखक हाल ही में जारी Claude Opus 5.5 और Jev को मार्केटिंग उपयोग के लिए जोड़ता है: 120 प्रतिस्पर्धी विज्ञापनों का स्वचालित मूल्यांकन, अनुकूलन योग्य 10 का चयन, और प्रत्येक के संस्करण बनाना।