THE JEV GUIDE · CURATED EDITION
Lançamentos, explicações, demos e projetos da comunidade sobre TypeSafe Jev, organizados por tema. Cada item aponta para sua fonte no X.
Seleção curada · Não exaustiva · Atualização manual
01 / EXPLORE
0 means awaiting a verified post
Um professor de Stanford teria usado JEV para construir um sistema de ciência de dados que processa 40 bilhões de pontos de dados a cada 15 minutos para decidir quais resultados valem a pena investigar. A primeira versão dependia fortemente de LLMs para interpretar tudo.
Eric Mao está surpreso que Jev não seja mais usado para dados tabulares, acredita que toda empresa de planilhas com IA deveria reconstruir seu produto com Jev e menciona o processamento de 100 mil linhas.
O autor testou o novo modelo Jev do Vercel AI Gateway contra o gpt-5.4-mini em 3.000 avaliações reais de hotéis (39 idiomas), pontuando 5 KPIs de experiência do hóspede cada.
O autor testou o Jev para monitoramento de CoT em 2.200 traços de pensamento, relatando que supera o Sonnet 5 na classificação e é 3,7 vezes mais rápido que o Luna e 6 vezes mais rápido que o Sonnet.
Um desenvolvedor criou um mapa de caixa de entrada do Instagram e WhatsApp de código aberto com o SDK do Chatfuel, e usou o Jev para analisar 20.000 mensagens e identificar dúvidas, objeções e intenção de compra por ~$0,0025.
Jev leu os últimos 14 dias de 102 contas de IA e colocou @Av1dlive em 24º; a fórmula não inclui seguidores e compara alcance no mesmo nicho.
O autor testou o Jev para classificar conjuntos de pontos rotulados em vez do k-means, com alta precisão e erros apenas em casos limítrofes, vendo potencial para aplicações zero-shot.
O autor passou uma semana medindo o Jev: 18.000 julgamentos em uma especificação HTTP completa por 8 centavos, depois rotulou manualmente 59 frases para verificar se as probabilidades significam algo. Todos os intervalos ficaram abaixo da previsão.
O autor compartilha uma primeira experiência com o Jev: enviou 33.411 pares para decidir se descrevem o mesmo evento, usando as probabilidades retornadas como limiares — abaixo de 0,3 como diferentes, 0,3–0,7 encaminhados a um LLM, acima de 0,7 como iguais — e relata cerca de metade do tempo.
A Databend conectou o Jev ao seu servidor Python UDF para que o SQL possa filtrar, classificar e ordenar registros de feedback de clientes usando probabilidades do modelo: o Databend executa a consulta e o Jev toma a decisão limitada. Link
A combinação do novo modelo Jev com DuckDB mostra potencial para responder perguntas analíticas pontuais e retornar probabilidades semelhantes a um classificador.
Nathan LeClaire sugere que a capacidade do Jev de executar muitas avaliações rápida e concorrentemente permite decompor, mutar e experimentar entradas enquanto armazena resultados numéricos, potencialmente viabilizando análise de significância.