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
Kaustav Banerjee udostępnia w pełni zautomatyzowany przepływ pracy dla biletu dostępu: 4 z 20 kroków obejmuje oceny wykonywane przez Jev od TypeSafe AI, a nie przez LLM. LLM uruchamia się tylko raz, cały bilet kosztuje ₹0.16, a udział Jev mniej niż 1 paisę.
Autor ulepszył triage moderacji AI w społecznościach Bitsocial z gpt-5.6-luna na gpt-6-luna. Wejście o 50% tańsze, wyjście o 58% tańsze, a przy tym mądrzejsze. Jev nadal zajmuje się prostymi kontrolami, a niepewne trafiają do grok-4.7.
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.
Na podstawie ram testowych @karminski3 autor dodaje wiele wyników Jev w problemach labiryntu i porównuje je z losowym spacerem oraz profesjonalnymi algorytmami labiryntu.
Użytkownik udostępnia nagranie w zwolnionym tempie, na którym Jev rozwiązuje Sudoku.
Autor użył nowego modelu Jev firmy TypeSafe w Skills IL do zbudowania narzędzia wykrywającego bankowe wiadomości phishingowe otrzymywane przez SMS, WhatsApp lub e-mail. Użytkownicy mogą wkleić podejrzaną wiadomość w celu weryfikacji.
Społeczność podzieliła się sposobem uruchomienia Jev na Cloud Run z kartą RTX PRO 6000: zimny start ~47 s, end-to-end ~117 ms i ponad 100 req/s przy współbieżności 32. Wykorzystali też Jev do stworzenia gier Snake, Dino i Tetris.
JEV jest integrowany z systemem pamięci Ekko Agent, uczestnicząc w kluczowych etapach, takich jak klasyfikacja semantyczna, ponowne sortowanie pamięci kandydujących i walidacja przed zapisem. Pomaga agentowi znajdować bardziej trafne wspomnienia i ostrożniej decydować, co warto zapamiętać. Obecnie trwają testy; wstępne doświadczenia wskazują na poprawę dokładności przywoływania w niektórych scenariuszach.
Ktoś stworzył ogromny katalog wszystkiego, co związane z Jev, w tym umiejętności, repozytoria, posty X/Reddit, zasoby, strony i wiele więcej, z możliwością filtrowania według przypadku użycia.
Autor sugeruje, aby nie traktować wartości zwracanych przez Jev po prostu jako poprawnych; zamiast tego należy zwracać uwagę na confidence. Dla typów Choice należy dodać opcję cannot_tell, aby uniknąć błędnych ocen.
Autor uważa, że Jev nie nadaje się do wykrywania treści generowanych przez AI, wszystkie detektory AI są takie same i bezużyteczne, chyba że dokładność przekracza 90%, i poleca inne API. Link
Autor łączy niedawno wydane Claude Opus 5.5 i Jev w przypadku marketingowym: automatyczna ocena 120 reklam konkurencji, wybór 10 wartych adaptacji i tworzenie wersji każdej z nich.