Создание классификатора кодовой базы с помощью Jev
Разработчик делится созданием классификатора кодовой базы с помощью Jev, предполагая, что это может решить проблему переусложнённого кода от агентов, и спрашивает, что тестировать дальше.
Jev против GPT-5.6 Luna в роли оператора в голосовом конвейере Pipecat
Джон Тейлор записал подробный обзор, сравнивающий Jev и GPT-5.6 Luna в роли оператора в голосовом интерфейсном конвейере Pipecat: Jev достигает 92,6% точности команд и медианной задержки 296 мс, тогда как GPT-5.6 Luna — 81,3% и 1 008 мс.
.@jonptaylor recorded a detailed walkthough of Jev vs GPT-5.6 Luna as the "operator" element of a Pipecat speech interface pipeline. GPT-5.6 Luna: - 81.3% command accuracy - 1,008 ms median latency Jev - 92.6% command accuracy - 296 ms median latency A few notes
· 112 likesOpen on X
More like this
Jev обеспечивает LLM-as-a-Judge в 20–200 раз быстрее и в 40–400 раз дешевле
Jev использовался для выбора модели AGI, обеспечивая в 20–200 раз большую скорость и в 40–400 раз меньшую стоимость, делая LLM-as-a-judge чрезвычайно быстрым и почти бесплатным.
Тестирование приложений с TypeSafe Jev и OpenCode
Filip делится небольшим демо, показывающим скорость тестирования приложений с TypeSafe Jev и OpenCode.
