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
Założyciel Jev opublikował godzinny kurs mistrzowski, który rozkłada na czynniki pierwsze rzeczywiste działanie Jev: LLM → Decyzje → Weryfikacja → Agenci kodowania. Omówiono, dlaczego same LLM nie wystarczą, trzy prymitywy stojące za Jev oraz jak zamieniać ogromne zadania AI na małe niezawodne kroki.
Ten post, skierowany do początkujących w CodeX i Claude, przedstawia podstawowy przepływ modelu Jev: wejście stanu i pytania, przetwarzanie przez Jev i wyjście skalibrowanego prawdopodobieństwa.
Arman używa Saula Goodmana i dzwonka Hectora, aby zestawić LLM z Jev, zauważając, że Jev zbudowany przez TypeSafe AI ma dostarczać małe, precyzyjne strukturalne sygnały decyzyjne w oprogramowaniu.
Grok Bot wykonuje pracę, a Jev decyduje, co dalej. Ten 22-minutowy samouczek pokazuje Jev, model "System One" TypeSafe, który podejmuje decyzje zamiast rozmawiać.
Jev nie ma etapu dekodowania; odpowiedź powstaje w jednym przebiegu prefill, co czyni go około 200 razy szybszym niż tradycyjny sędzia LLM.
Społeczność nieustannie wyjaśnia, czym Jev różni się od zwykłych modeli LLM.
Jev wykorzystuje kontekst i typowane pytania do generowania ograniczonych decyzji z prawdopodobieństwami, a nie kolejny generator tekstu.
Jev przeprowadza sprawdzenie zakresu na każdym kroku kodu, oznacza hunki, o które prompt nie prosił, ocenia per hunk, a nie cały PR, i oferuje opcje In scope / Check scope / N unrequested. Na razie tylko w sesjach.
Jev wykracza poza generowanie tekstu: analizuje, ocenia, identyfikuje luki, decyduje, co należy zmienić, i sugeruje następny krok, zamiast ślepo podążać za instrukcjami.
Diogo Almeida z TypeSafe twierdzi, że nawet mając miliard dolarów, nie trenowałby modelu fundamentalnego od zera; Jev powstaje przez krojenie i łączenie istniejących stosów.
Przedstawia model Jev firmy TypeSafe AI, skupiający się na typowanych decyzjach probabilistycznych, w tym Noul (Tak/Nie), Choice (wybór opcji) i Score (ocena w określonej skali), w przeciwieństwie do otwartej generacji LLM.
Post zauważa, że wiele z tego, co wygląda jak rozumowanie w infrastrukturze agentów, w rzeczywistości jest tylko klasyfikacją. Jev czyni to rozróżnienie wyraźnym: w ogóle nie generuje tekstu; zamiast tego przyjmuje stan i typowane pytanie.