THE JEV GUIDE · CURATED EDITION
Wiadomości premierowe, wyjaśnienia, demo i projekty społeczności wokół TypeSafe Jev, uporządkowane według tematów. Każdy wpis prowadzi do źródła na X.
Selekcja redakcyjna · Niepełna · Aktualizowana ręcznie
01 / EXPLORE
0 means awaiting a verified post
Doniesiono, że profesor Stanforda użył JEV do zbudowania systemu data science, który co 15 minut przetwarza 40 miliardów punktów danych, aby zdecydować, które wyniki warto zbadać. Pierwsza wersja w dużej mierze opierała się na LLM do interpretacji wszystkiego.
Eric Mao jest zaskoczony, że Jev nie jest większy w danych tabelarycznych, uważa, że każda firma zajmująca się arkuszami AI powinna przebudować swój produkt na Jev, i wspomina o przetwarzaniu 100 tys. wierszy.
Autor przetestował nowy model Jev w Vercel AI Gateway przeciwko gpt-5.4-mini na 3000 prawdziwych recenzjach hotelowych (39 języków), punktując 5 KPI doświadczenia gościa w każdej.
Autor przetestował Jev do monitorowania CoT na 2200 śladach myśli, donosząc, że przewyższa Sonnet 5 w klasyfikacji i jest 3,7 razy szybszy od Luna i 6 razy szybszy od Sonnet.
Deweloper stworzył open-source'ową mapę skrzynki odbiorczej Instagrama i WhatsAppa z Chatfuel SDK i przekazał 20 000 wiadomości do Jev, aby wykryć pytania, obiekcje i intencję zakupową za ~0,0025 $.
Jev przeanalizował ostatnie 14 dni 102 kont AI i umieścił @Av1dlive na 24. miejscu; formuła nie uwzględnia liczby obserwujących, porównuje tylko zasięg w tej samej niszy.
Autor przetestował Jev do klasyfikacji oznaczonych zbiorów punktów współrzędnych zamiast k-means, uzyskując wysoką dokładność i błędy tylko na granicach, widząc potencjał dla zastosowań zero-shot.
Autor spędził tydzień na pomiarze Jev: 18 000 osądów na pełnej specyfikacji HTTP za 8 centów, a następnie ręcznie oznaczył 59 zdań, aby sprawdzić, czy prawdopodobieństwa coś znaczą. Każdy przedział wypadł poniżej przewidywania.
Autor dzieli się pierwszym użyciem Jev: 33 411 par zostało poddanych ocenie, czy opisują to samo zdarzenie, z progami opartymi na zwracanych prawdopodobieństwach—poniżej 0,3 jako różne, 0,3–0,7 przekazane do LLM, powyżej 0,7 jako takie same—i zgłasza około połowy czasu.
Databend połączył Jev z serwerem Python UDF, aby SQL mógł filtrować, klasyfikować i szeregować rekordy opinii klientów za pomocą prawdopodobieństw modelu: Databend wykonuje zapytanie, Jev podejmuje ograniczoną decyzję. Link
Połączenie nowego modelu Jev z DuckDB wykazuje potencjał do odpowiadania na jednorazowe pytania analityczne i zwracania prawdopodobieństw podobnych do klasyfikatora.
Nathan LeClaire sugeruje, że zdolność Jev do szybkiego i równoległego przeprowadzania wielu ocen pozwala dzielić, mutować i eksperymentować z danymi wejściowymi oraz przechowywać wyniki liczbowe, co może umożliwić analizę istotności.