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
Kaustav Banerjee compartilha um fluxo de trabalho automatizado completo para um ticket de acesso: 4 dos 20 passos envolvem julgamentos feitos por Jev da TypeSafe AI, não por um LLM. O LLM roda apenas uma vez, o ticket inteiro custa ₹0.16 e a parte do Jev é menor que 1 paisa.
O autor atualizou a triagem de moderação de IA nas comunidades Bitsocial de gpt-5.6-luna para gpt-6-luna: entrada 50% mais barata, saída 58% mais barata e mais inteligente. Jev ainda cuida das verificações fáceis, e as incertas vão para grok-4.7.
O fundador da Jev lançou uma masterclass de 1 hora explicando como a Jev realmente funciona: LLMs → Decisões → Verificação → Agentes de codificação, abordando por que apenas LLMs não bastam, os três primitivos por trás da Jev e como transformar grandes tarefas de IA em pequenos passos confiáveis.
Com base no framework de testes de @karminski3, o autor adiciona vários resultados de Jev em problemas de labirinto e os compara com caminhada aleatória e algoritmos profissionais de labirinto.
Um usuário compartilha um clipe em câmera lenta de Jev resolvendo um Sudoku.
O autor usou o novo modelo Jev da TypeSafe no Skills IL para construir uma ferramenta que detecta mensagens de phishing bancário recebidas por SMS, WhatsApp ou e-mail. Os usuários podem colar uma mensagem suspeita diretamente para verificação.
A comunidade compartilhou uma maneira de executar o Jev no Cloud Run com uma RTX PRO 6000: inicialização a frio de ~47s, ponta a ponta de ~117ms e mais de 100 req/s com concorrência 32. Eles também usaram o Jev para criar jogos como Snake, Dino e Tetris.
O JEV está sendo integrado ao sistema de memória do Ekko Agent, participando de etapas-chave como classificação semântica, reordenação de memórias candidatas e validação pré-escrita. Ele ajuda o agente a encontrar memórias mais relevantes e a ser mais criterioso sobre o que vale a pena lembrar. Atualmente em teste, a experiência inicial mostra melhora na precisão da recordação em alguns cenários.
Alguém criou um diretório massivo sobre tudo relacionado a Jev, incluindo habilidades, repositórios, posts do X/Reddit, recursos, sites e muito mais, filtrável por caso de uso.
O autor sugere que os valores de retorno do Jev não devem ser tratados simplesmente como corretos; em vez disso, foque na confidence. Para tipos Choice, adicione uma opção cannot_tell para evitar erros.
O autor acha que Jev não é adequado para detectar conteúdo gerado por IA, todos os detectores de IA são semelhantes e inúteis a menos que a precisão seja superior a 90%, recomendando outra API. Link
O autor combina Claude Opus 5.5 e Jev, lançados recentemente, em um caso de marketing: pontua automaticamente 120 anúncios concorrentes, seleciona os 10 que valem a pena adaptar e cria versões de cada um.