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
Основатель Jev опубликовал часовой мастер-класс, разбирающий реальную работу Jev: LLM → Решения → Проверка → Кодирующие агенты. Внутри — почему одних LLM недостаточно, три примитива, лежащие в основе Jev, и как превращать крупные AI-задачи в маленькие надёжные шаги.
Пост для новичков в CodeX и Claude знакомит с базовым процессом модели Jev: ввод состояния и вопроса, обработка через Jev и вывод калиброванной вероятности.
Арман использует Сола Гудмана и колокольчик Гектора, чтобы противопоставить LLM и Jev, отмечая, что Jev, созданный TypeSafe AI, предназначен для подачи маленьких и точных структурированных сигналов решений внутри софта.
Grok Bot выполняет работу, а Jev решает, что делать дальше. В этом 22-минутном руководстве рассказывается о модели System One от TypeSafe — Jev, которая принимает решения, а не общается.
У Jev нет этапа декодирования: ответ получается за один проход prefill, что делает его примерно в 200 раз быстрее традиционного LLM-судьи.
В сообществе постоянно объясняют, чем Jev отличается от обычных LLM.
Jev использует контекст и типизированные вопросы для формирования ограниченных решений с вероятностями, а не очередной текстовый генератор.
Jev выполняет проверку области на каждом шаге кода, помечает хунки, которые не запрашивались в промпте, оценивает по хункам, а не по всему PR, и предлагает варианты In scope / Check scope / N unrequested. Пока только в сессиях.
Jev выходит за рамки генерации текста: анализирует, оценивает, выявляет пробелы, решает, что нужно изменить, и предлагает следующий шаг, не слепо следуя инструкциям.
Диого Алмейда из TypeSafe говорит, что даже с миллиардом долларов не стал бы обучать фундаментальную модель с нуля; Jev строится путём нарезки и перекомбинации существующих стеков.
Представляет модель Jev от TypeSafe AI, ориентированную на типизированные вероятностные решения, включая Noul (Да/Нет), Choice (выбор варианта) и Score (оценка по заданной шкале), в отличие от открытой генерации LLM.
В посте отмечается, что многое из того, что выглядит как рассуждение в инфраструктуре агентов, на самом деле является классификацией. Jev делает это различие явным: он вообще не генерирует текст, а принимает состояние и типизированный вопрос.