THE JEV GUIDE · CURATED EDITION
Tin ra mắt, giải thích, demo và dự án cộng đồng về TypeSafe Jev được sắp xếp theo chủ đề. Mỗi mục đều liên kết về nguồn X gốc.
Tuyển chọn biên tập · Không đầy đủ · Cập nhật thủ công
01 / EXPLORE
0 means awaiting a verified post
Một giáo sư Stanford được cho là đã sử dụng JEV để xây dựng hệ thống khoa học dữ liệu xử lý 40 tỷ điểm dữ liệu mỗi 15 phút để quyết định kết quả nào đáng để điều tra. Phiên bản đầu tiên phụ thuộc nhiều vào LLM để diễn giải mọi thứ.
Eric Mao ngạc nhiên vì Jev chưa được chú trọng cho dữ liệu dạng bảng, cho rằng mọi công ty bảng tính AI nên xây dựng lại sản phẩm với Jev, và đề cập Jev xử lý 100k hàng.
Tác giả đã thử nghiệm mô hình Jev mới của Vercel AI Gateway với gpt-5.4-mini trên 3.000 đánh giá khách sạn thực tế (39 ngôn ngữ), chấm điểm 5 KPI trải nghiệm khách hàng mỗi đánh giá.
Tác giả đã thử nghiệm Jev cho giám sát CoT trên 2.200 dấu vết suy nghĩ, báo cáo rằng nó vượt Sonnet 5 về phân loại và nhanh hơn Luna 3,7 lần và nhanh hơn Sonnet 6 lần.
Một nhà phát triển đã xây dựng bản đồ hộp thư đến Instagram và WhatsApp mã nguồn mở bằng Chatfuel SDK, đưa 20.000 tin nhắn cho Jev phân tích để phát hiện câu hỏi, phản đối và ý định mua với chi phí ~$0,0025.
Jev đọc 14 ngày gần nhất của 102 tài khoản AI và xếp @Av1dlive ở vị trí 24; công thức không gồm số người theo dõi, chỉ so sánh mức tiếp cận trong cùng niche.
Tác giả thử dùng Jev để phân loại tập điểm tọa độ có nhãn thay vì k-means, đạt độ chính xác cao và chỉ sai ở các trường hợp biên, thấy tiềm năng cho ứng dụng zero-shot.
Tác giả dành một tuần đo lường Jev: 18.000 phán đoán trên toàn bộ đặc tả HTTP với chi phí 8 xu, sau đó gán nhãn thủ công 59 câu để kiểm tra xem xác suất có ý nghĩa gì không. Mọi nhóm đều thấp hơn dự đoán.
Tác giả chia sẻ lần đầu dùng Jev: đưa 33.411 cặp vào để xác định chúng có mô tả cùng một sự kiện không, dùng xác suất trả về làm ngưỡng—dưới 0,3 là khác, 0,3–0,7 chuyển cho LLM, trên 0,7 là giống—và cho biết thời gian giảm khoảng một nửa.
Databend đã kết nối Jev với máy chủ Python UDF của mình để SQL có thể lọc, phân loại và xếp hạng các bản ghi phản hồi khách hàng bằng xác suất mô hình: Databend chạy truy vấn, Jev đưa ra quyết định có giới hạn. Link
Kết hợp mô hình Jev mới với DuckDB cho thấy tiềm năng trả lời các câu hỏi phân tích một lần và đưa ra xác suất giống như bộ phân loại.
Nathan LeClaire gợi ý rằng khả năng chạy nhiều đánh giá nhanh và đồng thời của Jev cho phép tách nhỏ, biến đổi và thử nghiệm đầu vào trong khi lưu trữ kết quả số, có thể cho phép phân tích ý nghĩa.