THE JEV GUIDE · CURATED EDITION
ข่าวเปิดตัว คำอธิบาย เดโม และโปรเจกต์ชุมชนเกี่ยวกับ TypeSafe Jev จัดตามหัวข้อ แต่ละรายการลิงก์กลับไปยังโพสต์ต้นทางบน X
คัดสรรโดยทีม · ไม่ครบทั้งหมด · อัปเดตด้วยมือ
01 / EXPLORE
0 means awaiting a verified post
Kaustav Banerjee แชร์เวิร์กโฟลว์อัตโนมัติเต็มรูปแบบสำหรับตั๋วเข้าถึง: 4 ใน 20 ขั้นตอนใช้การตัดสินใจของ Jev จาก TypeSafe AI ไม่ใช่ LLM โดย LLM รันเพียงครั้งเดียว ทั้งตั๋วมีค่าใช้จ่าย ₹0.16 และส่วนแบ่งของ Jev ต่ำกว่า 1 ไพซา
ผู้เขียนอัปเกรดการจัดลำดับการกลั่นกรอง AI ในชุมชน Bitsocial จาก gpt-5.6-luna เป็น gpt-6-luna ราคาอินพุตถูกลง 50% ราคาเอาต์พุตถูกลง 58% แต่ฉลาดขึ้น Jev ยังคงดูแลเช็คง่าย ๆ ส่วนที่ไม่แน่ใจส่งให้ grok-4.7
ผู้ก่อตั้ง Jev ปล่อยมาสเตอร์คลาส 1 ชั่วโมง อธิบายวิธีทำงานจริงของ Jev: LLM → การตัดสินใจ → การตรวจสอบ → เอเจนต์เขียนโค้ด ครอบคลุมว่าทำไม LLM เพียงอย่างเดียวไม่พอ, ปัจจัยพื้นฐาน 3 อย่างเบื้องหลัง Jev และการเปลี่ยนงาน AI ขนาดใหญ่ให้เป็นขั้นตอนเล็ก ๆ ที่น่าเชื่อถือ
จากกรอบการทดสอบของ @karminski3 ผู้เขียนเพิ่มผลลัพธ์หลายชุดสำหรับ Jev ในปัญหาเขาวงกต และเปรียบเทียบกับการเดินแบบสุ่มและอัลกอริทึมเขาวงกตแบบมืออาชีพ
ผู้ใช้แชร์คลิปสโลว์โมชันของ Jev กำลังแก้ซูโดกุ
ผู้เขียนใช้โมเดล Jev ใหม่ของ TypeSafe ใน Skills IL เพื่อสร้างเครื่องมือที่ตรวจจับข้อความฟิชชิ่งธนาคารที่ได้รับผ่าน SMS, WhatsApp หรืออีเมล ผู้ใช้สามารถวางข้อความต้องสงสัยเพื่อตรวจสอบได้
ชุมชนได้แชร์วิธีรัน Jev บน Cloud Run ด้วย RTX PRO 6000: cold start ~47 วินาที, end-to-end ~117ms และ 100+ req/s ที่ความพร้อมกัน 32 และยังใช้ Jev สร้างเกม Snake, Dino และ Tetris อีกด้วย
JEV กำลังถูกผสานรวมเข้ากับระบบหน่วยความจำของ Ekko Agent โดยมีส่วนร่วมในขั้นตอนสำคัญ เช่น การจำแนกเชิงความหมาย การจัดอันดับใหม่ของหน่วยความจำผู้สมัคร และการตรวจสอบก่อนเขียน ซึ่งช่วยให้เอเจนต์ค้นหาความทรงจำที่เกี่ยวข้องมากขึ้น และตัดสินใจอย่างรอบคอบมากขึ้นว่าสิ่งใดควรค่าแก่การจดจำ ขณะนี้อยู่ในระหว่างการทดสอบ ประสบการณ์เบื้องต้นแสดงให้เห็นว่าความแม่นยำในการเรียกคืนดีขึ้นในบางสถานการณ์
มีคนสร้างไดเรกทอรีขนาดใหญ่เกี่ยวกับทุกอย่างที่เกี่ยวข้องกับ Jev รวมถึงทักษะ repositories โพสต์ X/Reddit ทรัพยากร เว็บไซต์ และอื่น ๆ อีกมากมาย พร้อมกรองตามกรณีการใช้งาน
ผู้เขียนแนะนำว่าไม่ควรถือว่าค่าที่ส่งกลับจาก Jev ถูกต้องเสมอไป แต่ควรสนใจ confidence สำหรับประเภท Choice ควรเพิ่มตัวเลือก cannot_tell เพื่อหลีกเลี่ยงการตัดสินผิด
ผู้เขียนคิดว่า Jev ไม่เหมาะสำหรับการตรวจจับเนื้อหาที่สร้างโดย AI ตัวตรวจจับ AI ทั้งหมดเหมือนกันและไร้ประโยชน์เว้นแต่ความแม่นยำจะเกิน 90% และแนะนำ API อื่น Link
ผู้เขียนรวม Claude Opus 5.5 และ Jev ที่เพิ่งเปิดตัวสำหรับกรณีการใช้งานการตลาด: ให้คะแนนโฆษณาคู่แข่ง 120 รายการโดยอัตโนมัติ คัดเลือก 10 รายการที่ควรนำมาปรับใช้ และสร้างเวอร์ชันของแต่ละรายการ