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
Kaustav Banerjee membagikan alur kerja otomatis lengkap untuk tiket akses: 4 dari 20 langkah melibatkan penilaian oleh Jev dari TypeSafe AI, bukan LLM. LLM hanya berjalan sekali, seluruh tiket berbiaya ₹0.16, dan bagian Jev kurang dari 1 paisa.
Penulis meningkatkan triase moderasi AI di komunitas Bitsocial dari gpt-5.6-luna ke gpt-6-luna. Harga input 50% lebih murah, output 58% lebih murah, dan lebih pintar. Jev tetap menangani pemeriksaan mudah, dan yang tidak pasti dikirim ke grok-4.7.
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.
Berdasarkan kerangka pengujian @karminski3, penulis menambahkan beberapa hasil Jev pada masalah labirin dan membandingkannya dengan random walk dan algoritma labirin profesional.
Seorang pengguna membagikan klip gerakan lambat Jev menyelesaikan Sudoku.
Penulis menggunakan model baru Jev dari TypeSafe di Skills IL untuk membangun alat yang mendeteksi pesan phishing bank yang diterima melalui SMS, WhatsApp, atau email. Pengguna dapat menempelkan pesan mencurigakan untuk diverifikasi.
Komunitas berbagi cara menjalankan Jev di Cloud Run dengan RTX PRO 6000: cold start ~47 detik, end-to-end ~117ms, dan 100+ req/s pada konkurensi 32. Mereka juga menggunakan Jev untuk membuat game Snake, Dino, dan Tetris.
JEV sedang diintegrasikan ke dalam sistem memori Ekko Agent, berpartisipasi dalam tahap-tahap kunci seperti klasifikasi semantik, pengurutan ulang kandidat memori, dan validasi sebelum penulisan. Ini membantu agen menemukan memori yang lebih relevan dan lebih berhati-hati dalam menentukan apa yang layak diingat. Saat ini masih dalam pengujian; pengalaman awal menunjukkan peningkatan akurasi pengingatan di beberapa skenario.
Seseorang membuat direktori besar tentang semua hal terkait Jev, termasuk skills, repositori, postingan X/Reddit, sumber daya, situs, dan lainnya, yang dapat disaring berdasarkan kasus penggunaan.
Penulis menyarankan agar nilai kembalian Jev tidak dianggap benar begitu saja; fokuslah pada confidence. Untuk tipe Choice, tambahkan opsi cannot_tell untuk menghindari kesalahan penilaian.
Penulis menganggap Jev tidak cocok untuk deteksi konten yang dihasilkan AI, semua detektor AI sama dan tidak berguna kecuali akurasinya di atas 90%, serta merekomendasikan API lain. Link
Penulis menggabungkan Claude Opus 5.5 dan Jev yang baru dirilis untuk kasus penggunaan pemasaran: menilai 120 iklan pesaing secara otomatis, menyaring 10 yang layak diadaptasi, dan membuat versi dari masing-masing.