THE JEV GUIDE · CURATED EDITION
Новини запусків, пояснення, демо та проєкти спільноти навколо TypeSafe Jev, впорядковані за темами. Кожен запис веде до джерела в X.
Редакційна добірка · Не повний список · Ручне оновлення
01 / EXPLORE
0 means awaiting a verified post
Повідомляється, що професор Стенфорда використав JEV для створення системи науки про дані, яка кожні 15 хвилин обробляє 40 мільярдів точок даних, щоб вирішити, які результати варто досліджувати. Перша версія значною мірою покладалася на LLM для інтерпретації всього.
Ерік Мао здивований, що Jev не отримав більшого визнання для табличних даних, вважає, що кожна AI-компанія з електронних таблиць має перебудувати продукт на Jev, і згадує обробку 100 тисяч рядків.
Автор протестував нову модель Jev на Vercel AI Gateway проти gpt-5.4-mini на 3000 реальних відгуках про готелі (39 мов), оцінюючи 5 KPI досвіду гостя в кожному.
Автор протестував Jev для моніторингу CoT на 2200 трасах думок, повідомивши, що він перевершує Sonnet 5 у класифікації та працює в 3,7 раза швидше за Luna і в 6 разів швидше за Sonnet.
Розробник створив відкриту карту вхідних повідомлень Instagram і WhatsApp за допомогою Chatfuel SDK і передав 20 000 повідомлень Jev для виявлення запитань, заперечень і наміру купити за ~$0,0025.
Jev прочитав останні 14 днів 102 ШІ-акаунтів і поставив @Av1dlive на 24-те місце; формула не враховує кількість підписників і порівнює охоплення в одній ніші.
Автор протестував Jev для класифікації розмічених наборів координатних точок замість k-means, отримавши високу точність і помилки лише на межах, вбачаючи потенціал для zero-shot застосувань.
Автор витратив тиждень на вимірювання Jev: 18 000 суджень за повною специфікацією HTTP за 8 центів, а потім вручну розмітив 59 речень, щоб перевірити, чи щось означають ймовірності. Кожен інтервал виявився нижчим за прогноз.
Автор ділиться першим досвідом із Jev: 33 411 пар передано для визначення, чи описують вони ту саму подію, з порогами на основі повернутих ймовірностей—нижче 0,3 як різні, 0,3–0,7 передано LLM, вище 0,7 як однакові—і повідомляє про приблизно вдвічі менший час.
Databend підключив Jev до свого сервера Python UDF, щоб SQL міг фільтрувати, класифікувати та ранжувати записи відгуків клієнтів за допомогою ймовірностей моделі: Databend виконує запит, Jev ухвалює обмежене рішення. Link
Поєднання нової моделі Jev з DuckDB демонструє потенціал для відповідей на разові аналітичні запитання та повернення ймовірностей, подібних до класифікатора.
Натан ЛеКлер припускає, що здатність Jev швидко й паралельно виконувати багато оцінювань дозволяє розбирати, мутувати та експериментувати з вхідними даними, зберігаючи числові результати, що може уможливити аналіз значущості.