THE JEV GUIDE · CURATED EDITION
Launch nieuws, uitleg, demo’s en community projecten rond TypeSafe Jev, geordend per onderwerp. Elke vermelding linkt terug naar de bron op X.
Gecureerde selectie · Niet volledig · Handmatig bijgewerkt
01 / EXPLORE
0 means awaiting a verified post
Een Stanford-professor zou JEV hebben gebruikt om een data science-systeem te bouwen dat elke 15 minuten 40 miljard datapunten verwerkt om te bepalen welke resultaten het onderzoeken waard zijn. De eerste versie was sterk afhankelijk van LLM's om alles te interpreteren.
Eric Mao is verrast dat Jev niet groter is voor tabelgegevens, vindt dat elk AI-spreadsheetbedrijf zijn product opnieuw moet bouwen met Jev en noemt dat Jev 100k rijen verwerkt.
De auteur testte het nieuwe Jev-model van Vercel AI Gateway tegen gpt-5.4-mini op 3.000 echte hotelrecensies (39 talen) en scoorde per recensie 5 klantervarings-KPI's.
De auteur testte Jev voor CoT-monitoring op 2.200 gedachtensporen en meldt dat het Sonnet 5 verslaat bij classificatie en 3,7x sneller is dan Luna en 6x sneller dan Sonnet.
Een ontwikkelaar bouwde een open-source inboxkaart voor Instagram en WhatsApp met de Chatfuel SDK en liet Jev 20.000 berichten analyseren om vragen, bezwaren en koopintentie te vinden voor ~$0,0025.
Jev las de laatste 14 dagen van 102 AI-accounts en zette @Av1dlive op #24; de formule bevat geen volgersaantal en vergelijkt alleen bereik binnen dezelfde niche.
De auteur probeerde Jev voor classificatie van gelabelde coördinaatpunten in plaats van k-means, met hoge nauwkeurigheid en fouten alleen bij randgevallen, en ziet potentie voor zero-shot toepassingen.
De auteur besteedde een week aan het meten van Jev: 18.000 oordelen over een volledige HTTP-specificatie voor 8 cent, en labelde daarna handmatig 59 zinnen om te controleren of de waarschijnlijkheden iets betekenen. Elke bucket bleef onder de voorspelling.
De auteur deelt een eerste poging met Jev: 33.411 paren werden ingevoerd om te bepalen of ze dezelfde gebeurtenis beschrijven, met de teruggegeven waarschijnlijkheden als drempels—onder 0,3 verschillend, 0,3–0,7 naar een LLM, boven 0,7 hetzelfde—en meldt ongeveer de helft van de tijd.
Databend heeft Jev verbonden met zijn Python UDF-server zodat SQL klantfeedbackrecords kan filteren, classificeren en rangschikken met modelkansen: Databend voert de query uit, Jev neemt de begrensde beslissing. Link
Het koppelen van het nieuwe Jev-model aan DuckDB toont potentieel voor het beantwoorden van eenmalige analytische vragen en het retourneren van classifier-achtige waarschijnlijkheden.
Nathan LeClaire suggereert dat Jev's vermogen om veel evaluaties snel en gelijktijdig uit te voeren het mogelijk maakt inputs op te splitsen, te muteren en te experimenteren terwijl numerieke resultaten worden opgeslagen, wat mogelijk significantieanalyse mogelijk maakt.