THE JEV GUIDE · CURATED EDITION
Lanseringsnyheter, förklaringar, demos och community projekt kring TypeSafe Jev, ordnade efter ämne. Varje post länkar tillbaka till sin källa på X.
Kurerat urval · Inte komplett · Uppdateras manuellt
01 / EXPLORE
0 means awaiting a verified post
En professor vid Stanford använde enligt uppgift JEV för att bygga ett datavetenskapligt system som bearbetar 40 miljarder datapunkter var 15:e minut för att avgöra vilka resultat som är värda att undersöka. Den första versionen förlitade sig kraftigt på LLM:er för att tolka allt.
Eric Mao är förvånad över att Jev inte är en större grej för tabelldata, anser att alla AI-kalkylarksföretag borde bygga om sin produkt med Jev, och nämner att Jev bearbetar 100k rader.
Författaren testade Vercel AI Gateways nya Jev-modell mot gpt-5.4-mini på 3 000 riktiga hotellrecensioner (39 språk) och poängsatte 5 gästupplevelse-KPI:er var.
Författaren testade Jev för CoT-övervakning på 2 200 tankespår och rapporterar att det slår Sonnet 5 i klassificering och är 3,7 gånger snabbare än Luna och 6 gånger snabbare än Sonnet.
En utvecklare byggde en öppen källkods-inkorgskarta för Instagram och WhatsApp med Chatfuel SDK och lät Jev analysera 20 000 meddelanden för att hitta frågor, invändningar och köpintention för ~0,0025 $.
Jev läste de senaste 14 dagarna av 102 AI-konton och placerade @Av1dlive på plats 24; formeln innehåller inte antal följare och jämför endast räckvidd inom samma nisch.
Författaren testade Jev för klassificering av märkta koordinatpunkter istället för k-means, med hög noggrannhet och fel endast vid gränsfall, och ser potential för zero-shot-tillämpningar.
Författaren tillbringade en vecka med att mäta Jev: 18 000 bedömningar över en fullständig HTTP-specifikation för 8 cent, och märkte sedan 59 meningar manuellt för att kontrollera om sannolikheterna betyder något. Varje intervall hamnade under sin förutsägelse.
Författaren delar ett första försök med Jev: 33 411 par skickades in för att avgöra om de beskriver samma händelse, med de returnerade sannolikheterna som trösklar—under 0,3 som olika, 0,3–0,7 vidare till en LLM, över 0,7 som samma—och rapporterar ungefär halva tiden.
Databend anslöt Jev till sin Python UDF-server så att SQL kan filtrera, klassificera och rangordna kundfeedbackposter med modellsannolikheter: Databend kör frågan, Jev fattar det begränsade beslutet. Link
Att kombinera den nya Jev-modellen med DuckDB visar potential att besvara engångsanalytiska frågor och returnera klassificerarliknande sannolikheter.
Nathan LeClaire föreslår att Jevs förmåga att köra många utvärderingar snabbt och samtidigt gör det möjligt att dela upp, mutera och experimentera med indata samt lagra numeriska resultat, vilket potentiellt möjliggör signifikansanalys.