THE JEV GUIDE · CURATED EDITION
Notizie di lancio, spiegazioni, demo e progetti della community su TypeSafe Jev, organizzati per argomento. Ogni voce rimanda alla fonte su X.
Selezione curata · Non esaustiva · Aggiornata manualmente
01 / EXPLORE
0 means awaiting a verified post
Un professore di Stanford avrebbe utilizzato JEV per costruire un sistema di data science che elabora 40 miliardi di punti dati ogni 15 minuti per decidere quali risultati vale la pena indagare. La prima versione si affidava fortemente ai LLM per interpretare tutto.
Eric Mao è sorpreso che Jev non sia più utilizzato per i dati tabulari, ritiene che ogni azienda di fogli di calcolo AI dovrebbe ricostruire il proprio prodotto con Jev e menziona l'elaborazione di 100mila righe.
L'autore ha testato il nuovo modello Jev di Vercel AI Gateway contro gpt-5.4-mini su 3.000 recensioni alberghiere reali (39 lingue), assegnando 5 KPI di esperienza ospite ciascuna.
L'autore ha testato Jev per il monitoraggio CoT su 2.200 tracce di pensiero, riportando che supera Sonnet 5 nella classificazione ed è 3,7 volte più veloce di Luna e 6 volte più veloce di Sonnet.
Uno sviluppatore ha creato una mappa della casella di posta di Instagram e WhatsApp open source con l'SDK di Chatfuel, affidando 20.000 messaggi a Jev per individuare domande, obiezioni e intenzioni d'acquisto a ~$0,0025.
Jev ha letto gli ultimi 14 giorni di 102 account AI e ha posizionato @Av1dlive al 24° posto; la formula non include il numero di follower e confronta la portata nello stesso niche.
L'autore ha provato Jev per classificare set di punti coordinati etichettati invece di k-means, ottenendo alta precisione ed errori solo ai bordi, vedendo potenziale per applicazioni zero-shot.
L'autore ha passato una settimana a misurare Jev: 18.000 giudizi su una specifica HTTP completa per 8 centesimi, poi ha etichettato a mano 59 frasi per verificare se le probabilità significano qualcosa. Ogni intervallo è risultato inferiore alla previsione.
L'autore condivide un primo tentativo con Jev: 33.411 coppie inviate per stabilire se descrivono lo stesso evento, usando le probabilità restituite come soglie—sotto 0,3 diversi, 0,3–0,7 inoltrati a un LLM, sopra 0,7 uguali—e riporta circa la metà del tempo.
Databend ha collegato Jev al suo server Python UDF così che SQL possa filtrare, classificare e ordinare i record di feedback dei clienti usando le probabilità del modello: Databend esegue la query, Jev prende la decisione limitata. Link
L'abbinamento del nuovo modello Jev con DuckDB mostra potenziale per rispondere a domande analitiche una tantum e restituire probabilità simili a un classificatore.
Nathan LeClaire suggerisce che la capacità di Jev di eseguire molte valutazioni rapidamente e in parallelo consente di scomporre, mutare e sperimentare gli input memorizzando i risultati numerici, potenzialmente abilitando l'analisi di significatività.