액세스 티켓 자동화: Jev 판단 비용 1파이사 미만
Kaustav Banerjee가 액세스 티켓의 완전 자동화 워크플로를 공유했습니다. 20단계 중 4개 판단은 LLM이 아닌 TypeSafe AI의 Jev가 처리합니다. LLM은 한 번만 실행되며 전체 티켓 비용은 ₹0.16, Jev의 비중은 1파이사 미만입니다.
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
Kaustav Banerjee가 액세스 티켓의 완전 자동화 워크플로를 공유했습니다. 20단계 중 4개 판단은 LLM이 아닌 TypeSafe AI의 Jev가 처리합니다. LLM은 한 번만 실행되며 전체 티켓 비용은 ₹0.16, Jev의 비중은 1파이사 미만입니다.
Bitsocial 커뮤니티의 AI 중재 트리아지를 gpt-5.6-luna에서 gpt-6-luna로 업그레이드했습니다. 입력 비용 50% 절감, 출력 비용 58% 절감, 더 똑똑해졌습니다. Jev는 여전히 쉬운 검사를 처리하고, 불확실한 내용은 grok-4.7로 보냅니다.
Jev 창업자가 1시간 마스터클래스를 공개했습니다. Jev의 실제 작동 방식인 LLM→의사결정→검증→코딩 에이전트를 분석하고, LLM만으로는 부족한 이유, Jev의 3가지 기본 요소, 대규모 AI 작업을 작고 안정적인 단계로 바꾸는 방법을 다룹니다.
@karminski3의 테스트 프레임워크를 기반으로 Jev의 미로 문제에 대한 여러 결과를 추가하고 무작위 보행 및 전문 미로 알고리즘과 비교했습니다.
사용자가 Jev로 스도쿠를 푸는 슬로우 모션 영상을 공유합니다.
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.
커뮤니티에서 Cloud Run에서 RTX PRO 6000으로 Jev를 실행하는 방법을 공유했습니다: 콜드 스타트 약 47초, 엔드투엔드 약 117ms, 동시성 32에서 100+ req/s. 또한 Jev로 스네이크, 디노, 테트리스 게임을 만들었습니다.
JEV가 Ekko Agent의 메모리 시스템에 통합되어 의미 분류, 후보 메모리 재정렬, 쓰기 전 검증과 같은 핵심 단계에 참여하고 있습니다. 에이전트가 더 관련성 높은 기억을 찾고 무엇을 기억할 가치가 있는지 더 신중하게 결정하도록 돕습니다. 현재 테스트 중이며, 초기 경험상 일부 시나리오에서 회상 정확도가 향상되었습니다.
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
최근 출시된 Claude Opus 5.5와 Jev를 결합하여 마케팅 사례에서 120개의 경쟁사 광고를 자동 점수화하고, 각색할 가치가 있는 10개를 선별한 뒤 각각의 버전을 생성합니다.