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
Pendiri Jev merilis masterclass 1 jam yang menguraikan cara kerja Jev yang sebenarnya: LLM → Keputusan → Verifikasi → Agen Pengodean, mencakup mengapa LLM saja tidak cukup, tiga primitif di balik Jev, dan cara mengubah tugas AI besar menjadi langkah-langkah kecil yang andal.
Postingan ini ditujukan untuk pemula CodeX dan Claude, memperkenalkan alur dasar model Jev: input keadaan dan pertanyaan, diproses melalui Jev, dan output probabilitas terkalibrasi.
Arman menggunakan Saul Goodman dan lonceng Hector untuk membandingkan LLM dengan Jev, menyebutkan bahwa Jev, yang dibangun oleh TypeSafe AI, dirancang untuk memberikan sinyal keputusan terstruktur yang kecil dan presisi di dalam perangkat lunak.
Grok Bot melakukan pekerjaan; Jev menentukan langkah berikutnya. Tutorial 22 menit ini menjelaskan Jev, model "System One" TypeSafe yang membuat keputusan alih-alih mengobrol.
Jev tidak memiliki tahap decode; jawabannya keluar dari satu langkah prefill, menjadikannya sekitar 200 kali lebih cepat daripada juri LLM tradisional.
Orang-orang di komunitas terus menjelaskan perbedaan Jev dengan LLM biasa.
Jev menggunakan konteks dan pertanyaan bertipe untuk menghasilkan keputusan terbatas dengan probabilitas, bukan generator teks biasa.
Jev melakukan pemeriksaan ruang lingkup setiap giliran kode, menandai hunk yang tidak diminta oleh prompt, menilai per hunk bukan seluruh PR, dan menawarkan opsi In scope / Check scope / N unrequested. Saat ini hanya untuk sesi.
Jev melampaui sekadar menghasilkan teks—ia menganalisis, mengevaluasi, mengidentifikasi celah, memutuskan apa yang perlu diubah, dan menyarankan langkah berikutnya, bukan sekadar mengikuti instruksi.
Diogo Almeida dari TypeSafe mengatakan bahkan dengan miliaran dolar pun dia tidak akan pre-train model dasar dari nol; Jev dibangun dengan memotong dan merakit ulang stack yang ada.
Memperkenalkan model Jev dari TypeSafe AI, yang berfokus pada keputusan probabilistik bertipe, termasuk Noul (Ya/Tidak), Choice (pilih opsi), dan Score (beri skor pada skala yang ditentukan), kontras dengan generasi terbuka LLM.
Postingan ini mengamati bahwa banyak hal yang tampak seperti penalaran dalam infrastruktur agen sebenarnya hanyalah klasifikasi. Jev membuat perbedaan ini eksplisit: ia tidak menghasilkan teks sama sekali; melainkan menerima keadaan dan pertanyaan bertipe.