THE JEV GUIDE · CURATED EDITION
TypeSafe Jev etrafındaki lansman haberleri, açıklamalar, demolar ve topluluk projeleri konuya göre düzenlenir. Her kayıt X kaynağına geri bağlanır.
Seçilmiş liste · Kapsamlı değil · Elle güncellenir
01 / EXPLORE
0 means awaiting a verified post
Stanford'lu bir profesörün, hangi sonuçların araştırmaya değer olduğuna karar vermek için her 15 dakikada 40 milyar veri noktasını işleyen bir veri bilimi sistemi oluşturmak üzere JEV kullandığı bildirildi. İlk sürüm her şeyi yorumlamak için büyük ölçüde LLM'lere dayanıyordu.
Eric Mao, Jev'in tablo verileri için daha büyük bir olay olmamasına şaşırdığını, her AI elektronik tablo şirketinin Jev ile ürününü yeniden kurması gerektiğini ve Jev'in 100 bin satır işlediğini belirtiyor.
Yazar, Vercel AI Gateway'in yeni Jev modelini gpt-5.4-mini'ye karşı 3.000 gerçek otel yorumu (39 dil) üzerinde test etti ve her biri için 5 misafir deneyimi KPI'sını puanladı.
Yazar, 2.200 düşünce izi üzerinde CoT izleme için Jev'i test etti; sınıflandırmada Sonnet 5'i geçtiğini ve Luna'dan 3,7 kat, Sonnet'ten 6 kat daha hızlı olduğunu bildirdi.
Bir geliştirici, Chatfuel SDK ile açık kaynaklı bir Instagram ve WhatsApp gelen kutusu haritası oluşturdu ve 20.000 mesajı Jev ile analiz ederek soruları, itirazları ve satın alma niyetini ~$0,0025 maliyetle ortaya çıkardı.
Jev 102 AI hesabının son 14 gününü okudu ve @Av1dlive'i 24. sıraya koydu; formülde takipçi sayısı yok, yalnızca aynı nişteki erişim karşılaştırılıyor.
Yazar, etiketli koordinat noktası veri kümelerini k-means yerine Jev ile sınıflandırdı; yüksek doğruluk elde etti, hatalar yalnızca sınır durumlarında çıktı ve zero-shot uygulamalar için potansiyel gördü.
Yazar bir haftayı Jev'i ölçmekle geçirdi: tam bir HTTP spesifikasyonu üzerinde 8 sente 18.000 yargı, ardından olasılıkların anlamlı olup olmadığını kontrol etmek için 59 cümleyi elle etiketledi. Her aralık tahmininin altında kaldı.
Yazar Jev ile ilk deneyimini paylaşıyor: 33.411 çifti aynı olayı tanımlayıp tanımlamadıklarını belirlemek için gönderdi; dönen olasılıkları eşik olarak kullandı—0,3 altı farklı, 0,3–0,7 bir LLM'e yönlendirildi, 0,7 üstü aynı—ve sürenin yaklaşık yarıya indiğini belirtti.
Databend, Jev'i Python UDF sunucusuna bağladı; böylece SQL, model olasılıklarını kullanarak müşteri geri bildirim kayıtlarını filtreleyebilir, sınıflandırabilir ve sıralayabilir: sorguyu Databend çalıştırır, sınırlı kararı Jev verir. Link
Yeni Jev modelini DuckDB ile eşleştirmek, tek seferlik analitik soruları yanıtlama ve sınıflandırıcı benzeri olasılıklar döndürme potansiyeli gösteriyor.
Nathan LeClaire, Jev'in birçok değerlendirmeyi hızlı ve eşzamanlı çalıştırma yeteneğinin girdileri parçalayıp mutasyona uğratmaya ve deney yapmaya olanak tanıdığını, sayısal sonuçların saklanmasıyla anlamlılık analizinin mümkün olabileceğini öne sürüyor.