THE JEV GUIDE · CURATED EDITION
Новости запусков, объяснения, демо и проекты сообщества вокруг TypeSafe Jev, сгруппированные по темам. Каждая запись ведет к исходному посту в X.
Кураторская подборка · Не полный список · Ручное обновление
01 / EXPLORE
0 means awaiting a verified post
Сообщается, что профессор Стэнфорда использовал JEV для создания системы науки о данных, которая каждые 15 минут обрабатывает 40 миллиардов точек данных, чтобы определить, какие результаты стоит исследовать. Первая версия в значительной степени полагалась на LLM для интерпретации всего.
Эрик Мао удивлён, что Jev не получил большего внимания для табличных данных, считает, что каждая AI-компания по электронным таблицам должна перестроить продукт на Jev, и упоминает обработку 100 тысяч строк.
Автор протестировал новую модель Jev на Vercel AI Gateway против gpt-5.4-mini на 3000 реальных отзывах об отелях (39 языков), оценивая 5 KPI опыта гостя для каждого.
Автор протестировал Jev для мониторинга CoT на 2200 трассах мыслей, сообщив, что он превосходит Sonnet 5 в классификации и работает в 3,7 раза быстрее Luna и в 6 раз быстрее Sonnet.
Разработчик создал открытую карту входящих сообщений Instagram и WhatsApp с помощью Chatfuel SDK и передал 20 000 сообщений в Jev для выявления вопросов, возражений и намерения купить за ~$0,0025.
Jev прочитал данные 102 ИИ-аккаунтов за последние 14 дней и поставил @Av1dlive на 24-е место; формула не учитывает число подписчиков и сравнивает охват в одной нише.
Автор протестировал Jev для классификации размеченных наборов координатных точек вместо k-means, получив высокую точность и ошибки только на границах, отметив потенциал для zero-shot применения.
Автор потратил неделю на измерение Jev: 18 000 суждений по полной спецификации HTTP за 8 центов, затем вручную разметил 59 предложений, чтобы проверить, значат ли что-то вероятности. Каждый интервал оказался ниже прогноза.
Автор делится первым опытом работы с Jev: 33 411 пар были переданы для определения, описывают ли они одно событие; возвращаемые вероятности используются как пороги — ниже 0,3 считаются разными, 0,3–0,7 передаются LLM, выше 0,7 — одинаковыми; время сократилось примерно вдвое.
Databend подключил Jev к своему серверу Python UDF, чтобы SQL мог фильтровать, классифицировать и ранжировать записи обратной связи клиентов с помощью вероятностей модели: Databend выполняет запрос, Jev принимает ограниченное решение. Link
Сочетание новой модели Jev с DuckDB демонстрирует потенциал для ответов на разовые аналитические вопросы и выдачи вероятностей, подобных классификатору.
Натан ЛеКлер предполагает, что способность Jev быстро и параллельно выполнять множество оценок позволяет разбирать, мутировать и экспериментировать с входными данными, сохраняя числовые результаты, что может обеспечить анализ значимости.