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
Kaustav Banerjee chia sẻ quy trình tự động hóa hoàn chỉnh cho một vé truy cập: 4 trong 20 bước liên quan đến phán đoán do Jev của TypeSafe AI xử lý, không phải LLM. LLM chỉ chạy một lần, toàn bộ vé tốn ₹0.16, phần của Jev dưới 1 paisa.
Tác giả đã nâng cấp phân loại kiểm duyệt AI trong cộng đồng Bitsocial từ gpt-5.6-luna lên gpt-6-luna, giá đầu vào rẻ hơn 50%, đầu ra rẻ hơn 58% và thông minh hơn. Jev vẫn xử lý các kiểm tra đơn giản, còn các trường hợp không chắc chắn sẽ chuyển đến grok-4.7.
Nhà sáng lập Jev đã phát hành lớp học nâng cao 1 giờ phân tích cách Jev thực sự hoạt động: LLM → Quyết định → Xác minh → Tác nhân lập trình, bao gồm lý do chỉ dùng LLM là chưa đủ, ba nguyên thủy đằng sau Jev, và cách biến các tác vụ AI lớn thành các bước nhỏ đáng tin cậy.
Dựa trên khung thử nghiệm của @karminski3, tác giả bổ sung nhiều kết quả của Jev trên bài toán mê cung và so sánh với bước đi ngẫu nhiên và thuật toán mê cung chuyên nghiệp.
Người dùng chia sẻ đoạn video quay chậm Jev giải Sudoku.
Tác giả đã sử dụng mô hình Jev mới của TypeSafe trong Skills IL để xây dựng công cụ phát hiện tin nhắn lừa đảo ngân hàng nhận qua SMS, WhatsApp hoặc email. Người dùng có thể dán trực tiếp tin nhắn nghi ngờ để xác minh.
Cộng đồng đã chia sẻ cách chạy Jev trên Cloud Run với RTX PRO 6000: khởi động nguội ~47 giây, end-to-end ~117ms và hơn 100 req/s ở độ đồng thời 32. Họ cũng dùng Jev để tạo trò chơi Rắn săn mồi, Dino và Tetris.
JEV đang được tích hợp vào hệ thống bộ nhớ của Ekko Agent, tham gia vào các giai đoạn chính như phân loại ngữ nghĩa, sắp xếp lại các ứng viên bộ nhớ và xác thực trước khi ghi. Nó giúp agent tìm thấy những ký ức liên quan hơn và thận trọng hơn trong việc quyết định điều gì đáng nhớ. Hiện đang trong giai đoạn thử nghiệm; trải nghiệm ban đầu cho thấy độ chính xác thu hồi được cải thiện trong một số tình huống.
Ai đó đã xây dựng một thư mục khổng lồ về mọi thứ liên quan đến Jev, bao gồm kỹ năng, kho mã, bài đăng X/Reddit, tài nguyên, trang web và hơn thế nữa, có thể lọc theo trường hợp sử dụng.
Tác giả đề xuất không nên coi giá trị trả về của Jev là đúng một cách đơn giản; thay vào đó, hãy chú ý đến confidence. Đối với loại Choice, nên thêm tùy chọn cannot_tell để tránh đánh giá sai.
Tác giả cho rằng Jev không phù hợp để phát hiện nội dung do AI tạo, tất cả các trình phát hiện AI đều giống nhau và vô nghĩa trừ khi độ chính xác trên 90%, đồng thời giới thiệu một API khác. Link
Tác giả kết hợp Claude Opus 5.5 và Jev mới ra mắt cho một trường hợp sử dụng tiếp thị: tự động chấm điểm 120 quảng cáo đối thủ, chọn ra 10 quảng cáo đáng để chuyển thể và tạo các phiên bản của từng quảng cáo.