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
Kaustav Banerjee delar ett helt automatiserat arbetsflöde för en åtkomstbiljett: 4 av 20 steg innebär bedömningar som hanteras av Jev från TypeSafe AI, inte en LLM. LLM:n körs en gång, hela biljetten kostar ₹0.16 och Jevs andel är under 1 paisa.
Författaren uppgraderade AI-modereringstriagen i Bitsocial-communities från gpt-5.6-luna till gpt-6-luna. 50 % billigare input, 58 % billigare output, men smartare. Jev tar fortfarande hand om enkla kontroller, osäkra fall går till grok-4.7.
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.
Baserat på @karminski3:s testramverk lägger författaren till flera resultat för Jev på labyrintproblem och jämför dem med slumpvandring och professionella labyrintalgoritmer.
En användare delar ett slow motion-klipp på Jev som löser ett Sudoku.
Författaren använde TypeSafes nya modell Jev i Skills IL för att bygga ett verktyg som upptäcker banknätfiskemeddelanden som tas emot via SMS, WhatsApp eller e-post. Användare kan klistra in ett misstänkt meddelande direkt för att verifiera det.
Communityn delade ett sätt att köra Jev på Cloud Run med ett RTX PRO 6000: kallstart ~47 s, end-to-end ~117 ms och 100+ req/s vid concurrency 32. De använde också Jev för att skapa Snake, Dino och Tetris-spel.
JEV integreras i Ekko Agents minnessystem och deltar i viktiga steg som semantisk klassificering, omrangering av kandidatminnen och validering före skrivning. Det hjälper agenten att hitta mer relevanta minnen och vara mer försiktig med vad som är värt att komma ihåg. För närvarande i testfasen; tidiga erfarenheter visar förbättrad återkallningsnoggrannhet i vissa scenarier.
Någon har byggt en massiv katalog över allt som rör Jev, inklusive skills, repositories, X/Reddit-inlägg, resurser, webbplatser och mycket mer, filtrerbar efter användningsområde.
Författaren föreslår att Jev:s returvärden inte ska betraktas som helt korrekta; fokusera istället på confidence. För Choice-typer bör ett cannot_tell-alternativ läggas till för att undvika felbedömningar.
Författaren anser att Jev inte lämpar sig för att upptäcka AI-genererat innehåll, alla AI-detektorer är likadana och meningslösa om inte noggrannheten överstiger 90%, och rekommenderar ett annat API. Link
Författaren kombinerar de nyligen släppta Claude Opus 5.5 och Jev för ett marknadsföringsanvändningsfall: automatisk poängsättning av 120 konkurrentannonser, urval av de 10 som är värda att anpassa och skapande av versioner av varje.