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
Kaustav Banerjee ділиться повністю автоматизованим робочим процесом для заявки на доступ: 4 з 20 кроків передбачають рішення, які приймає Jev від TypeSafe AI, а не LLM. LLM запускається один раз, уся заявка коштує ₹0.16, а частка Jev менше 1 пайси.
Автор оновив сортування модерації ШІ в спільнотах Bitsocial з gpt-5.6-luna на gpt-6-luna. Вхід на 50% дешевший, вихід на 58% дешевший, але розумніший. Jev, як і раніше, виконує прості перевірки, а невизначені передаються grok-4.7.
Засновник Jev опублікував годинний майстер-клас, який пояснює, як насправді працює Jev: LLM → Рішення → Перевірка → Агенти кодування. Розглядається, чому лише LLM недостатньо, три примітиви, що лежать в основі Jev, і як перетворювати великі AI-завдання на маленькі надійні кроки.
На основі тестової структури @karminski3 автор додає кілька результатів Jev для задач лабіринту та порівнює їх із випадковим блуканням і професійними алгоритмами лабіринту.
Користувач ділиться уповільненим відео, де Jev розв'язує судоку.
Автор використав нову модель Jev від TypeSafe у Skills IL, щоб створити інструмент, який виявляє банківські фішингові повідомлення, отримані через SMS, WhatsApp або електронну пошту. Користувачі можуть вставити підозріле повідомлення для перевірки.
Спільнота поділилася способом запуску Jev на Cloud Run з RTX PRO 6000: холодний старт ~47 с, наскрізна затримка ~117 мс і понад 100 req/s при паралелізмі 32. Вони також використали Jev для створення ігор Snake, Dino та Tetris.
JEV інтегрується в систему пам'яті Ekko Agent, беручи участь у ключових етапах, таких як семантична класифікація, перестановка кандидатів у спогади та перевірка перед записом. Це допомагає агенту знаходити більш релевантні спогади та обережніше вирішувати, що варто запам'ятовувати. Зараз триває тестування; попередній досвід показує підвищення точності відновлення в деяких сценаріях.
Хтось створив величезну директорію всього, що пов'язано з Jev, включно з навичками, репозиторіями, дописами X/Reddit, ресурсами, сайтами тощо, з фільтрацією за сценаріями використання.
Автор пропонує не вважати значення, що повертає Jev, просто правильними; натомість слід звертати увагу на confidence. Для типу Choice варто додати варіант cannot_tell, щоб уникнути помилкових суджень.
Автор вважає, що Jev не підходить для виявлення ШІ-генерованого контенту, усі детектори ШІ однакові й безглузді, якщо точність не перевищує 90%, і рекомендує інший API. Link
Автор поєднує нещодавно випущені Claude Opus 5.5 і Jev для маркетингового сценарію: автоматична оцінка 120 реклам конкурентів, відбір 10 вартих адаптації та створення версій кожної.