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
Kaustav Banerjee делится полным автоматизированным рабочим процессом для заявки на доступ: 4 из 20 шагов включают решения Jev от TypeSafe AI, а не LLM. LLM запускается один раз, вся заявка стоит ₹0.16, а доля Jev — менее 1 пайсы.
Автор обновил сортировку модерации ИИ в сообществах Bitsocial с gpt-5.6-luna на gpt-6-luna. Вход на 50% дешевле, выход на 58% дешевле, при этом умнее. Jev по-прежнему выполняет простые проверки, а сомнительные передаются grok-4.7.
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.
На основе тестовой платформы @karminski3 автор добавляет несколько результатов Jev по задачам лабиринта и сравнивает их со случайным блужданием и профессиональными алгоритмами лабиринта.
Пользователь делится замедленным видео, где Jev решает судоку.
Автор использовал новую модель Jev от TypeSafe в Skills IL для создания инструмента, который обнаруживает фишинговые сообщения банков, полученные через SMS, WhatsApp или электронную почту. Пользователи могут вставить подозрительное сообщение для проверки.
Сообщество поделилось способом запуска Jev на Cloud Run с помощью RTX PRO 6000: холодный старт ~47 с, сквозная задержка ~117 мс и более 100 req/s при параллелизме 32. Также они использовали Jev для создания игр Snake, Dino и Tetris.
JEV интегрируется в систему памяти Ekko Agent, участвуя в ключевых этапах, таких как семантическая классификация, переупорядочивание кандидатов в воспоминания и проверка перед записью. Это помогает агенту находить более релевантные воспоминания и более осторожно решать, что стоит запомнить. Сейчас идёт тестирование; предварительный опыт показывает повышение точности извлечения в некоторых сценариях.
Кто-то создал огромный каталог всего, что связано с Jev: навыки, репозитории, посты X/Reddit, ресурсы, сайты и многое другое, с фильтрацией по сценариям использования.
Автор предлагает не считать возвращаемые значения Jev просто правильными, а обращать внимание на confidence. Для типа Choice следует добавить вариант cannot_tell, чтобы избежать ошибок.
Автор считает, что Jev не подходит для обнаружения контента, созданного ИИ, все детекторы ИИ одинаковы и бессмысленны, если точность не превышает 90%, и рекомендует другой API. Link
Автор объединяет недавно выпущенные Claude Opus 5.5 и Jev для маркетингового сценария: автоматическая оценка 120 рекламных объявлений конкурентов, отбор 10 достойных адаптации и создание версий каждого.