Jev-introduktionsanteckningar för icke-tekniker
Introduktionsanteckningar om Jev för icke-tekniker för att snabbt förstå grunderna. Link
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
Introduktionsanteckningar om Jev för icke-tekniker för att snabbt förstå grunderna. Link
Skicka transkriptioner och shownotes till Jev för att avgöra vid vilken minut och sekund ett länkat ämne förekommer; ett 3-timmarsavsnitt tar 0,5 s och kostar 0,003 USD.
En användare delar att Jev hanterar klassificeringen av deras Obsidian-valv, vilket lämnar Obsidian främst för plugins.
En användare delar hur Jev klassificerar artiklar, visualiserar interna länkar och skapar en lista över länkar att lägga till, utbyggbart till YouTube-videor och bloggar.
Författaren delar en demowebbplats för oändlig filmsökning byggd med Jev. Link
Författaren körde en billig snabb benchmark av JEV-modellen på texter relaterade till filmen 'Lalka' och lade till några tentamensfrågor om 'Lalka'.
Ett pedagogiskt inlägg som jämför LLM och Jev och påpekar att många AI-utvecklare missförstår skillnaden.
En användare kopplade TypeSafe's Jev till PaperDance för att ställa en ja/nej-fråga per artikel bland 100 arXiv-kandidater; irrelevanta kort på sida 1 minskade från 4, 9 och 7 till 0, vid ~1 s och $0,0004 per sida, baserat på verklig produktionsdata. Link
Delip Rao noterar att Jev kanske bara kan räkna ibland, men kan lösa GSM8K- och MATH-problem, vilket väcker diskussion om dess matematiska förmågor.
Inlägget visar hur Jev används för att deterministiskt generera subjekt, predikat och objekt per mening, vilket möjliggör snabb och billig konstruktion av kunskapsgrafer, till exempel att omvandla grundlagen till en kunskapsgraf på 4 sekunder. Link
Presenterar funktionerna hos den trendande AI:n Jev och sammanfattar konkreta användningsfall för att förstå och tillämpa den.
Milvus-tester visar att Jev överträffar Qwen på nDCG men är 10,2× långsammare, 6,7× dyrare och ett 0,5-filter tappar 18,8% av relevanta dokument.