Jev 능력 미로 테스트 추가
@karminski3의 테스트 프레임워크를 기반으로 Jev의 미로 문제에 대한 여러 결과를 추가하고 무작위 보행 및 전문 미로 알고리즘과 비교했습니다.
THE JEV GUIDE · CURATED EDITION
TypeSafe Jev의 출시 소식, 설명, 데모, 커뮤니티 프로젝트를 주제별로 정리했습니다. 모든 항목은 X 원본 게시물로 연결됩니다.
선별 큐레이션 · 전체 수집 아님 · 수동 업데이트
01 / EXPLORE
0 means awaiting a verified post
@karminski3의 테스트 프레임워크를 기반으로 Jev의 미로 문제에 대한 여러 결과를 추가하고 무작위 보행 및 전문 미로 알고리즘과 비교했습니다.
작성자는 Skills IL에서 TypeSafe의 새 모델 Jev를 사용하여 SMS, WhatsApp, 이메일로 수신되는 은행 피싱 메시지를 탐지하는 도구를 구축했습니다. 사용자는 의심스러운 메시지를 붙여넣어 확인할 수 있습니다.
Jev와 관련된 스킬, 저장소, X/Reddit 게시물, 리소스, 사이트 등을 포함한 대규모 디렉토리가 만들어졌으며, 사용 사례별로 필터링할 수 있습니다.
저자는 Jev의 반환 값을 단순히 정답으로 보지 말고 confidence에 주목해야 하며, Choice 유형에는 cannot_tell 옵션을 추가해 오판을 피해야 한다고 제안합니다.
저자는 Jev가 AI 생성 콘텐츠 탐지에 적합하지 않다고 생각하며, 모든 AI 탐지 도구는 비슷하고 정확도가 90% 이상이 아니면 무의미하다고 말하며 다른 API를 추천합니다. Link
작성이 Jev로 스도쿠를 풀게 했고, 프롬프트가 어려웠지만 속도는 빨랐으며 LLM이 스도쿠에 어려움을 겪는다는 점도 언급했습니다.
작성자는 Jev 1.13이 일부 작업에서 대규모 언어 모델을 대체할 수 있다고 말합니다.
rajeshsam은 AI 모멘텀이 System 1 분류기(Jev 등)를 사용하는 전통적인 데이터 사이언스로 돌아온 것 같다고 언급합니다. 그는 모델이 제어 흐름을 추측하게 하는 것보다 타이핑된 구조적 응답과 Python의 훅을 통한 결정론적 추론이 낫고, 모호함은 수집 경계에 남겨두어야 한다고 주장합니다.
커뮤니티 재실행에서 Jev와 GPT-5.4는 통계적으로 구분하기 어려운 수준(3.3포인트 차이)이며, Jev 비용은 약 50분의 1. Link
개발자 Tal Saiag가 Jev 패턴을 공유합니다: 각 호출이 의도적으로 작은 상태를 남겨 다음 Jev 호출에만 사용하며, 이를 'Jev carry state'라고 부릅니다.
사용자가 Jev 실험에서 얻은 교훈을 공유: 이전 GPT-4 수준 모델처럼 명시적 프롬프트가 필요하고, 비용이 매우 저렴하며, Astra로 약 8시간 튜닝했다.
Wildan이 Claude가 TypeSafe AI의 Jev를 사용할 때라고 트윗했습니다.