Een codebase-classificator bouwen met Jev
Een ontwikkelaar deelt het bouwen van een codebase-classificator met Jev, suggereert dat dit overgeëngineerde code van agents kan oplossen, en vraagt wat er nu getest moet worden.
Jev vs GPT-5.6 Luna als operator in Pipecat spraakpipeline
Jon Taylor heeft een gedetailleerde walkthrough opgenomen waarin Jev en GPT-5.6 Luna als operator-element in een Pipecat spraakinterface-pipeline worden vergeleken: Jev behaalt 92,6% commando-nauwkeurigheid en 296 ms mediane latentie, tegenover 81,3% en 1.008 ms voor GPT-5.6 Luna.
.@jonptaylor recorded a detailed walkthough of Jev vs GPT-5.6 Luna as the "operator" element of a Pipecat speech interface pipeline. GPT-5.6 Luna: - 81.3% command accuracy - 1,008 ms median latency Jev - 92.6% command accuracy - 296 ms median latency A few notes
· 112 likesOpen on X
More like this
Jev maakt LLM-as-a-Judge 20–200x sneller en 40–400x goedkoper
Jev werd gebruikt om te bepalen welk model AGI is, met 20–200x snelheid en 40–400x lagere kosten, waardoor LLM-as-a-judge extreem snel en bijna gratis wordt.
Apps testen met TypeSafe Jev & OpenCode
Filip deelt een kleine demo die laat zien hoe snel apps testen met TypeSafe Jev en OpenCode kan zijn.
