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
Kaustav Banerjee condivide un flusso di lavoro completamente automatizzato per un ticket di accesso: 4 dei 20 passaggi implicano giudizi gestiti da Jev di TypeSafe AI, non da un LLM. L'LLM viene eseguito una volta, l'intero ticket costa ₹0.16 e la quota di Jev è inferiore a 1 paisa.
L'autore ha aggiornato il triage di moderazione AI nelle community Bitsocial da gpt-5.6-luna a gpt-6-luna: input più economico del 50%, output più economico del 58%, ma più intelligente. Jev gestisce ancora i controlli semplici, quelli incerti vanno a grok-4.7.
Il fondatore di Jev ha pubblicato una masterclass di 1 ora che spiega come funziona realmente Jev: LLM → Decisioni → Verifica → Agenti di codifica, coprendo perché i soli LLM non bastano, i tre primitivi alla base di Jev e come trasformare grandi attività di intelligenza artificiale in piccoli passi affidabili.
Basandosi sul framework di test di @karminski3, l'autore aggiunge diversi risultati di Jev su problemi di labirinto e li confronta con il random walk e algoritmi di labirinto professionali.
Un utente condivide un clip al rallentatore di Jev che risolve un Sudoku.
L'autore ha usato il nuovo modello Jev di TypeSafe in Skills IL per costruire uno strumento che rileva i messaggi di phishing bancario ricevuti via SMS, WhatsApp o email. Gli utenti possono incollare direttamente un messaggio sospetto per verificarlo.
La community ha condiviso un modo per eseguire Jev su Cloud Run con una RTX PRO 6000: avvio a freddo ~47s, end-to-end ~117ms e oltre 100 req/s con concorrenza 32. Hanno anche usato Jev per creare giochi come Snake, Dino e Tetris.
JEV sta venendo integrato nel sistema di memoria di Ekko Agent, partecipando a fasi chiave come la classificazione semantica, il riordino dei ricordi candidati e la validazione pre-scrittura. Aiuta l'agente a trovare ricordi più pertinenti e a essere più cauto su cosa vale la pena ricordare. Attualmente in fase di test; l'esperienza iniziale mostra un miglioramento dell'accuratezza del richiamo in alcuni scenari.
Qualcuno ha creato un'enorme directory su tutto ciò che riguarda Jev, inclusi skill, repository, post X/Reddit, risorse, siti e altro, filtrabile per caso d'uso.
L'autore suggerisce di non trattare semplicemente i valori restituiti da Jev come corretti; invece, concentrarsi su confidence. Per i tipi Choice, aggiungere un'opzione cannot_tell per evitare errori di valutazione.
L'autore ritiene che Jev non sia adatto al rilevamento di contenuti generati dall'IA, tutti i rilevatori di IA sono simili e inutili a meno che l'accuratezza non superi il 90%, raccomandando un'altra API. Link
L'autore combina Claude Opus 5.5 e Jev, rilasciati di recente, per un caso d'uso di marketing: valutazione automatica di 120 annunci della concorrenza, selezione dei 10 che vale la pena adattare e creazione di versioni di ciascuno.