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
Jevs grundare släppte en 1-timmars masterclass som bryter ner hur Jev faktiskt fungerar: LLM:er → Beslut → Verifiering → Kodningsagenter. Den tar upp varför enbart LLM:er inte räcker, de tre primitiven bakom Jev och hur man förvandlar stora AI-uppgifter till små tillförlitliga steg.
Det här inlägget, riktat till nybörjare inom CodeX och Claude, introducerar grundflödet i Jev-modellen: inmatning av tillstånd och fråga, bearbetning genom Jev och utmatning av kalibrerad sannolikhet.
Arman använder Saul Goodman och Hectors klocka för att kontrastera LLM med Jev, och noterar att Jev, byggt av TypeSafe AI, är utformat för att ge små, precisa strukturerade beslutsignaler i mjukvara.
Grok Bot utför arbetet; Jev bestämmer nästa steg. Denna 22 minuter långa gratis handledning går igenom Jev, TypeSafes "System One"-modell som fattar beslut istället för att chatta.
Jev har inget avkodningssteg; svaret kommer från ett enda prefill-pass, vilket gör det cirka 200 gånger snabbare än en traditionell LLM-domare.
Personer i communityn fortsätter förklara hur Jev skiljer sig från vanliga LLM.
Jev använder kontext och typade frågor för att generera avgränsade beslut med sannolikheter, inte ytterligare en textgenerator.
Jev utför en scope-kontroll vid varje kodsteg, flaggar hunks som prompten inte bad om, bedömer per hunk istället för hela PR och erbjuder alternativen In scope / Check scope / N unrequested. Endast sessions för närvarande.
Jev går längre än att bara generera text: det analyserar, utvärderar, identifierar luckor, bestämmer vad som behöver ändras och föreslår nästa steg istället för att blint följa instruktioner.
Diogo Almeida på TypeSafe säger att även med en miljard dollar skulle han inte pre-trana en grundmodell från grunden; Jev byggs genom att skära och kombinera befintliga stackar.
Introducerar TypeSafe AIs Jev-modell, fokuserad på typade probabilistiska beslut, inklusive Noul (Ja/Nej), Choice (välj ett alternativ) och Score (poängsättning på en definierad skala), i kontrast till LLM:s öppna generering.
Inlägget observerar att mycket av det som ser ut som resonemang i agentinfrastruktur faktiskt bara är klassificering. Jev gör denna skillnad explicit: det genererar ingen text alls; istället tar det emot ett tillstånd och en typad fråga.