THE JEV GUIDE · CURATED EDITION
Berita peluncuran, penjelasan, demo, dan proyek komunitas seputar TypeSafe Jev disusun menurut topik. Setiap entri terhubung kembali ke sumber X.
Pilihan kurasi · Tidak lengkap · Diperbarui manual
01 / EXPLORE
0 means awaiting a verified post
Seorang profesor Stanford dilaporkan menggunakan JEV untuk membangun sistem sains data yang memproses 40 miliar titik data setiap 15 menit untuk memutuskan hasil mana yang layak diselidiki. Versi pertama sangat bergantung pada LLM untuk menafsirkan segalanya.
Eric Mao heran Jev belum terlalu besar untuk data tabular, menurutnya setiap perusahaan spreadsheet AI harus membangun ulang produknya dengan Jev, dan menyebut Jev memproses 100 ribu baris.
Penulis menguji model Jev baru Vercel AI Gateway melawan gpt-5.4-mini pada 3.000 ulasan hotel asli (39 bahasa), memberi skor 5 KPI pengalaman tamu pada setiap ulasan.
Penulis menguji Jev untuk pemantauan CoT pada 2.200 jejak pemikiran, melaporkan bahwa Jev mengalahkan Sonnet 5 dalam klasifikasi dan 3,7 kali lebih cepat dari Luna serta 6 kali lebih cepat dari Sonnet.
Seorang pengembang membuat peta kotak masuk Instagram dan WhatsApp open-source dengan Chatfuel SDK, lalu menganalisis 20.000 pesan dengan Jev untuk menemukan pertanyaan, keberatan, dan niat beli dengan biaya ~$0,0025.
Jev membaca 14 hari terakhir dari 102 akun AI dan menempatkan @Av1dlive di peringkat 24; formula tidak menyertakan jumlah pengikut dan hanya membandingkan jangkauan di niche yang sama.
Penulis mencoba Jev untuk klasifikasi kumpulan titik koordinat berlabel alih-alih k-means, dengan akurasi tinggi dan kesalahan hanya pada kasus batas, melihat potensi aplikasi zero-shot.
Penulis menghabiskan sepekan mengukur Jev: 18.000 penilaian pada spesifikasi HTTP lengkap dengan biaya 8 sen, lalu melabeli 59 kalimat secara manual untuk memeriksa apakah probabilitasnya bermakna. Setiap bucket berada di bawah prediksinya.
Penulis membagikan percobaan pertama dengan Jev: mengirim 33.411 pasangan untuk menentukan apakah keduanya menggambarkan peristiwa yang sama, memakai probabilitas yang dikembalikan sebagai ambang—di bawah 0,3 berbeda, 0,3–0,7 dialihkan ke LLM, di atas 0,7 sama—dan melaporkan waktu sekitar setengahnya.
Databend menghubungkan Jev ke server Python UDF-nya sehingga SQL dapat memfilter, mengklasifikasi, dan memberi peringkat catatan umpan balik pelanggan menggunakan probabilitas model: Databend menjalankan kueri, Jev membuat keputusan terbatas. Link
Memasangkan model Jev baru dengan DuckDB menunjukkan potensi untuk menjawab pertanyaan analitis sekali pakai dan mengembalikan probabilitas seperti pengklasifikasi.
Nathan LeClaire menyarankan bahwa kemampuan Jev menjalankan banyak evaluasi dengan cepat dan bersamaan memungkinkan pemecahan, mutasi, dan eksperimen input sambil menyimpan hasil numerik, yang berpotensi memungkinkan analisis signifikansi.