Bagikan beberapa aplikasi menarik dari Jev: model AI yang tidak memberikan jawaban, hanya membuat penilaian

Dalam evaluasi prapendaftaran double-blind yang dilakukan oleh PrimeLine, ada satu detail yang menjelaskan.

Akurasi mutlak Claude Opus 5 dan Haiku 4.5 pada dua tugas nyataSebanding dengan Jev, atau bahkan lebih baik pada awalnya. Namun ketika evaluasi memungkinkan model untuk melewatkan sampel yang paling tidak diyakininya,Jev mengungguli kedua tugas tersebut.

Alasannya adalah kepercayaan diri yang dihasilkannyadikalibrasi, sementara model generatif umum cenderung tidak terkalibrasi dengan baik dan terlalu percaya diri dalam mengambil keputusan. Dengan kata lain: Ketika "mengetahui apa yang tidak Anda ketahui" lebih penting daripada "menjawab dengan keras", nilai Jev muncul.

Bagaimana memulainya

Jika Anda sudah menggunakan platform agregasi model, biaya aksesnya hampir nol:

• BukaRouter: Jev telah diluncurkan di katalog model resmi, nama model typesafe/jev, ubah nama model dalam kode dan Anda dapat beralih
• Gerbang AI Vercel: Integrasi selesai dalam waktu 72 jam setelah rilis, didistribusikan melalui jaringan edge global Vercel, dengan latensi rendah
• SDK resmi: TypeSafe menyediakan konsol online (Playground) dan dokumentasi lengkap, mendukung HTTP API, Python SDK, dan JavaScript SDK
• Paket keterampilan resmi: TypeSafe telah membuka gudang keterampilan di GitHub untuk mengajarkan agen pengkodean untuk "menanyakan semua ambiguitas sekaligus" alih-alih hanya menanyakan satu pertanyaan dalam satu waktu.

Harga: $0,042 per juta token untuk masukan, gratis untuk keluaran. Ada juga kuota gratis untuk mencoba akun baru.

Katakan sesuatu yang tenang

Pertama,Ini bukan pengganti model yang lebih besar. Jev adalah model pengambilan keputusan khusus. Jangan berharap ia memiliki pemikiran terbuka dan kemampuan menghasilkan konten. Nilainya adalah untuk mencapai tujuan akhir dalam membuat keputusan yang cepat dan andal dengan kemungkinan hasil yang jelas.

Kedua,Dalam banyak kasus, perlu dibedakan “yang kreditnya”. Misalnya, demonstrasi Penggunaan Browser dalam mencari penerbangan dalam 7 detik adalah hasil kerja sama seluruh rantai alat, dan semua kemampuan tidak dapat dikaitkan dengan Jev. Gudang kasus yang diorganisir oleh komunitas itu sendiri juga menandai batas-batas bukti—prinsip mana yang jelas, dampak mana yang perlu diverifikasi, dan klaim mana yang tidak berdasar. Sikap ini patut dipelajari.

Ketiga,Berhati-hatilah terhadap tiupan buta. Jev muncul di layar dalam waktu seminggu setelah dirilis. Popularitasnya mencakup nilai teknis nyata dan banyak elemen pemasaran. Yang benar-benar Anda perlukan adalah menjalankan tugas Anda sendiri dengannya dan melihat berapa banyak penundaan dan uang yang Anda hemat.

Tapi satu hal yang pasti:Aplikasi AI bukan hanya tentang “generasi”. Di luar jalur ini, infrastruktur “penghakiman” yang telah lama diabaikan sedang ditambahkan. Sulit untuk mengatakan apakah Jev adalah jawaban akhir, tetapi ini menimbulkan pertanyaan yang tepat.

Model besar bertanggung jawab untuk menulis jawaban, dan Jev bertanggung jawab untuk membuat keputusan - masing-masing menjalankan tugasnya sendiri, yang merupakan struktur yang baik.

Referensi: Catatan rilis resmi TypeSafe AI, perpustakaan kasus Jev_apps (137 kasus / 11 jenis penggunaan), Wikipedia, analisis teknis DataCamp

Ini adalah salah satu arahan dengan nilai teknik tertinggi saat ini.

Tim Penggunaan Browser hanya merilis di Jev 3 hariSetelah itu, jev-ultrafast terintegrasi resmi dirilis, dan dikatakan mendapat 2.700 bintang GitHub dalam dua hari. Ini membagi operasi halaman web menjadi dua set pilihan (tindakan + sasaran),Tidak diperlukan tangkapan layar atau token multimodal, setiap perjalanan pulang pergi hanya menghasilkan dua keputusan.

Pendiri Gregor Zunic membagikan demo yang belum dipotong dari otomatisasi browser bertenaga Jev yang menyelesaikan pencarian penerbangan satu arah di situs web maskapai penerbangan sebenarnya,Seluruh proses memakan waktu 7 detik, biaya panggilan model adalah sekitar $0,0039.

Ada banyak yang serupa: Kontrol browser Stagehand, penggunaan jev Cua, TipTour yang menggunakan CoreML + OCR untuk menemukan tombol di Mac dan membiarkan Jev memilih lokasi klik, browser kontrol suara... Saat ini terdapat 13 kasus dalam kategori ini, yang merupakan kategori dengan kasus terbanyak.

4. Jadilah "router": membantu memilih model yang sesuai untuk tugas tersebut

Ada pemborosan nyata di era multi-model: menggunakan model mahal untuk masalah sederhana hanya membuang-buang uang. Latensi Jev yang rendah dan biaya rendah membuatnya sangat cocok untukTriase lalu lintas.

• Router Kode Claude: Seperti triase perintah kerja, Jev terlebih dahulu menentukan tingkat kesulitan tugas, dan plug-in kemudian memilih model sub-agen dan kekuatan penalaran sesi utama yang sesuai.
• Perutean kesulitan misi Codex: Perkirakan kompleksitas logis dari tugas pengkodean sebelum dieksekusi, pengeditan sederhana hilang dari model murah, dan rekonstruksi lintas file yang kompleks mengaktifkan model yang lebih kuat - dilaporkanMengurangi total biaya model lebih dari 60%
• Hawa perutean bersyarat/distribusi permintaan: Pertama-tama tentukan jenis model apa yang diperlukan untuk masalah tersebut, lalu serahkan ke model yang sesuai untuk diproses.
• Divisi agen pengkodean lokal: Tetapkan tugas sederhana, masalah kompleks, dan tugas jangka panjang ke berbagai asisten AI

LangChain menulis artikel khusus "Membangun Sabuk Pengaman dengan Jev", menunjukkan bahwa logika klasifikasi dan perutean dalam kerangka agen secara tradisional tersembunyi dalam berbagai implementasi sumber tertutup. Model klasifikasi umum berbiaya rendah seperti Jev memungkinkan lapisan logika pengambilan keputusan ini digunakan kembali di agen sumber terbuka. Armin Ronacher, pendiri Sentry, juga percaya bahwa menggunakan model generatif besar untuk membuat keputusan perutean adalah tidak masuk akal secara ekonomi.

5. Keselamatan dan Rekayasa: Pekerjaan Kotor yang Tidak Mencolok

Aplikasi jenis ini memang tidak mencolok, namun paling praktis.

• Vercel menggantikan pengklasifikasi keamanan perintah Shell: Insinyur Pranit Sharma mengganti pengklasifikasi keamanan perintah shell internal OpenAI dengan Jev. Hal ini dilaporkan5-18 kali lebih cepat, dan tingkat alarm palsu lebih rendah - pengurangan alarm palsu sebenarnya meningkatkan keakuratan sistem
• Deteksi injeksi yang cepat: Komunitas memiliki jev-mcp bersumber terbuka (ekstensi berdasarkan protokol MCP). Anda dapat menggunakan Jev untuk melakukan pengecekan fakta lintas sumber, mendeteksi serangan injeksi cepat yang tersembunyi di perintah pengguna, dan menilai relevansi semantik dari konten yang diambil.
• Kompresi konteks panjang: fast-jev-compaction menggunakan Jev untuk dengan cepat mengevaluasi nilai setiap panggilan alat, menghapus log yang tidak berguna sambil mempertahankan status utama - konteksnya mudah diperluas ketika agen pengkodean melakukan tugas yang panjang. Proyek ini juga telah diakui oleh tim resmi Jev
• Pra-penyaringan PR: Analisis daftar file yang diubah dan hasil pengujian otomatis di saluran CI, evaluasi terlebih dahulu apakah PR memenuhi syarat untuk digabungkan, dan secara otomatis menandai PR berisiko tinggi dan mentransfernya secara manual

6. Jalur bisnis: email, perintah kerja, layanan pelanggan

Kesamaan dari skenario ini adalah:Perlu membuat banyak keputusan kecil dengan cepat dan konsisten, menggunakan model besar itu mahal dan lambat.

• Klasifikasi maksud email bisnis: Nikhil Mudholkar, CTO BryoAI, membandingkan Jev dan Gemini. Akurasi absolut Gemini sedikit lebih baik, tapiBiaya per panggilan 10-20x lebih tinggi. Yang lebih penting lagi, Jev menyediakan distribusi probabilitas yang terkalibrasi, sehingga memudahkan sistem hilir untuk menetapkan ambang batas kepercayaan
• Alokasi perintah kerja dan perutean otomatis: Cerna surat itu menjadi informasi penting dan berikan kepada Jev, pilih yang paling cocok dari sekelompok tim bisnis, ganti aturan reguler tulisan tangan yang rapuh
• Pengurangan berulang dan klasifikasi dukungan darurat: Identifikasi dengan cepat keluhan berisiko tinggi (seperti pemotongan berulang kali) dalam skenario e-niaga keuangan. Ketika pelanggan sedang emosional atau meminta pengembalian dana, mereka akan diberi label sebagai mendesak dalam hitungan milidetik dan dikirim dengan prioritas.

7. Gameplay yang lebih liar

• Hasilkan gambar piksel demi piksel: Pengembang @anshuc mengubah pembuatan gambar menjadi masalah klasifikasi tingkat piksel - memberikan setiap piksel serangkaian pilihan warna dan probabilitas, program secara bertahap mengisinya dengan warna probabilitas tertinggi yang dipilih oleh Jev, dan akhirnya menguraikan gambar beresolusi rendah
• Transaksi on-chain otomatis: Beberapa pengembang Web3 menghubungkan Jev ke bursa terdesentralisasi, membaca data kedalaman pesanan secara real-time, dan hanya menghasilkan tiga tindakan: beli, jual, dan tahan. Komunitas merasa bahwa ini adalah salah satu aplikasi yang paling menarik perhatian, namun risikonya juga terlihat jelas dalam kondisi pasar sebenarnya.
• Pilih komponen untuk antarmuka web: Dalam proyek json-render, Jev memilih komponen dan mengatur hubungan, dan program mengumpulkan hasilnya ke dalam antarmuka yang dapat dirender - seperti blok penyusun.

8. Hasil evaluasi yang patut diperhatikan

Dalam evaluasi prapendaftaran double-blind yang dilakukan oleh PrimeLine, ada satu detail yang menjelaskan.

Akurasi mutlak Claude Opus 5 dan Haiku 4.5 pada dua tugas nyataSebanding dengan Jev, atau bahkan lebih baik pada awalnya. Namun ketika evaluasi memungkinkan model untuk melewatkan sampel yang paling tidak diyakininya,Jev mengungguli kedua tugas tersebut.

Alasannya adalah kepercayaan diri yang dihasilkannyadikalibrasi, sementara model generatif umum cenderung tidak terkalibrasi dengan baik dan terlalu percaya diri dalam mengambil keputusan. Dengan kata lain: Ketika "mengetahui apa yang tidak Anda ketahui" lebih penting daripada "menjawab dengan keras", nilai Jev muncul.

Bagaimana memulainya

Jika Anda sudah menggunakan platform agregasi model, biaya aksesnya hampir nol:

• BukaRouter: Jev telah diluncurkan di katalog model resmi, nama model typesafe/jev, ubah nama model dalam kode dan Anda dapat beralih
• Gerbang AI Vercel: Integrasi selesai dalam waktu 72 jam setelah rilis, didistribusikan melalui jaringan edge global Vercel, dengan latensi rendah
• SDK resmi: TypeSafe menyediakan konsol online (Playground) dan dokumentasi lengkap, mendukung HTTP API, Python SDK, dan JavaScript SDK
• Paket keterampilan resmi: TypeSafe telah membuka gudang keterampilan di GitHub untuk mengajarkan agen pengkodean untuk "menanyakan semua ambiguitas sekaligus" alih-alih hanya menanyakan satu pertanyaan dalam satu waktu.

Harga: $0,042 per juta token untuk masukan, gratis untuk keluaran. Ada juga kuota gratis untuk mencoba akun baru.

Katakan sesuatu yang tenang

Pertama,Ini bukan pengganti model yang lebih besar. Jev adalah model pengambilan keputusan khusus. Jangan berharap ia memiliki pemikiran terbuka dan kemampuan menghasilkan konten. Nilainya adalah untuk mencapai tujuan akhir dalam membuat keputusan yang cepat dan andal dengan kemungkinan hasil yang jelas.

Kedua,Dalam banyak kasus, perlu dibedakan “yang kreditnya”. Misalnya, demonstrasi Penggunaan Browser dalam mencari penerbangan dalam 7 detik adalah hasil kerja sama seluruh rantai alat, dan semua kemampuan tidak dapat dikaitkan dengan Jev. Gudang kasus yang diorganisir oleh komunitas itu sendiri juga menandai batas-batas bukti—prinsip mana yang jelas, dampak mana yang perlu diverifikasi, dan klaim mana yang tidak berdasar. Sikap ini patut dipelajari.

Ketiga,Berhati-hatilah terhadap tiupan buta. Jev muncul di layar dalam waktu seminggu setelah dirilis. Popularitasnya mencakup nilai teknis nyata dan banyak elemen pemasaran. Yang benar-benar Anda perlukan adalah menjalankan tugas Anda sendiri dengannya dan melihat berapa banyak penundaan dan uang yang Anda hemat.

Tapi satu hal yang pasti:Aplikasi AI bukan hanya tentang “generasi”. Di luar jalur ini, infrastruktur “penghakiman” yang telah lama diabaikan sedang ditambahkan. Sulit untuk mengatakan apakah Jev adalah jawaban akhir, tetapi ini menimbulkan pertanyaan yang tepat.

Model besar bertanggung jawab untuk menulis jawaban, dan Jev bertanggung jawab untuk membuat keputusan - masing-masing menjalankan tugasnya sendiri, yang merupakan struktur yang baik.

Referensi: Catatan rilis resmi TypeSafe AI, perpustakaan kasus Jev_apps (137 kasus / 11 jenis penggunaan), Wikipedia, analisis teknis DataCamp

Ini adalah salah satu arahan dengan nilai teknik tertinggi saat ini.

Tim Penggunaan Browser hanya merilis di Jev 3 hariSetelah itu, jev-ultrafast terintegrasi resmi dirilis, dan dikatakan mendapat 2.700 bintang GitHub dalam dua hari. Ini membagi operasi halaman web menjadi dua set pilihan (tindakan + sasaran),Tidak diperlukan tangkapan layar atau token multimodal, setiap perjalanan pulang pergi hanya menghasilkan dua keputusan.

Founder Gregor Zunic shared an uncut demo of Jev-powered browser automation completing a one-way flight search on a real airline website,Seluruh proses memakan waktu 7 detik, biaya panggilan model adalah sekitar $0,0039.

Ada banyak yang serupa: Kontrol browser Stagehand, penggunaan jev Cua, TipTour yang menggunakan CoreML + OCR untuk menemukan tombol di Mac dan membiarkan Jev memilih lokasi klik, browser kontrol suara... Saat ini terdapat 13 kasus dalam kategori ini, yang merupakan kategori dengan kasus terbanyak.

4. Jadilah "router": membantu memilih model yang sesuai untuk tugas tersebut

Ada pemborosan nyata di era multi-model: menggunakan model mahal untuk masalah sederhana hanya membuang-buang uang. Latensi Jev yang rendah dan biaya rendah membuatnya sangat cocok untukTriase lalu lintas.

• Router Kode Claude: Seperti triase perintah kerja, Jev terlebih dahulu menentukan tingkat kesulitan tugas, dan plug-in kemudian memilih model sub-agen dan kekuatan penalaran sesi utama yang sesuai.
• Perutean kesulitan misi Codex: Perkirakan kompleksitas logis dari tugas pengkodean sebelum dieksekusi, pengeditan sederhana hilang dari model murah, dan rekonstruksi lintas file yang kompleks mengaktifkan model yang lebih kuat - dilaporkanMengurangi total biaya model lebih dari 60%
• Hawa perutean bersyarat/distribusi permintaan: Pertama-tama tentukan jenis model apa yang diperlukan untuk masalah tersebut, lalu serahkan ke model yang sesuai untuk diproses.
• Divisi agen pengkodean lokal: Tetapkan tugas sederhana, masalah kompleks, dan tugas jangka panjang ke asisten AI yang berbeda

LangChain menulis artikel khusus "Membangun Sabuk Pengaman dengan Jev", menunjukkan bahwa logika klasifikasi dan perutean dalam kerangka agen secara tradisional tersembunyi dalam berbagai implementasi sumber tertutup. Model klasifikasi umum berbiaya rendah seperti Jev memungkinkan lapisan logika pengambilan keputusan ini digunakan kembali di agen sumber terbuka. Armin Ronacher, pendiri Sentry, juga percaya bahwa menggunakan model generatif besar untuk membuat keputusan perutean adalah tidak masuk akal secara ekonomi.

5. Keselamatan dan Rekayasa: Pekerjaan Kotor yang Tidak Mencolok

Aplikasi jenis ini memang tidak mencolok, namun paling praktis.

• Vercel menggantikan pengklasifikasi keamanan perintah Shell: Insinyur Pranit Sharma mengganti pengklasifikasi keamanan perintah shell internal OpenAI dengan Jev. Hal ini dilaporkan5-18 kali lebih cepat, dan tingkat alarm palsu lebih rendah - pengurangan alarm palsu sebenarnya meningkatkan keakuratan sistem
• Deteksi injeksi yang cepat: Komunitas memiliki jev-mcp bersumber terbuka (ekstensi berdasarkan protokol MCP). Anda dapat menggunakan Jev untuk melakukan pengecekan fakta lintas sumber, mendeteksi serangan injeksi cepat yang tersembunyi di perintah pengguna, dan menilai relevansi semantik dari konten yang diambil.
• Kompresi konteks panjang: fast-jev-compaction menggunakan Jev untuk dengan cepat mengevaluasi nilai setiap panggilan alat, menghapus log yang tidak berguna sambil mempertahankan status utama - konteksnya mudah diperluas ketika agen pengkodean melakukan tugas yang panjang. Proyek ini juga telah diakui oleh tim resmi Jev
• Pra-penyaringan PR: Analisis daftar file yang diubah dan hasil pengujian otomatis di saluran CI, evaluasi terlebih dahulu apakah PR memenuhi syarat untuk digabungkan, dan secara otomatis menandai PR berisiko tinggi dan mentransfernya secara manual

6. Jalur bisnis: email, perintah kerja, layanan pelanggan

Kesamaan dari skenario ini adalah:Perlu membuat banyak keputusan kecil dengan cepat dan konsisten, menggunakan model besar itu mahal dan lambat.

• Klasifikasi maksud email bisnis: Nikhil Mudholkar, CTO BryoAI, membandingkan Jev dan Gemini. Akurasi absolut Gemini sedikit lebih baik, tapiBiaya per panggilan 10-20x lebih tinggi. Yang lebih penting lagi, Jev menyediakan distribusi probabilitas yang terkalibrasi, sehingga memudahkan sistem hilir untuk menetapkan ambang batas kepercayaan
• Alokasi perintah kerja dan perutean otomatis: Cerna surat itu menjadi informasi penting dan berikan kepada Jev, pilih yang paling cocok dari sekelompok tim bisnis, ganti aturan reguler tulisan tangan yang rapuh
• Pengurangan berulang dan klasifikasi dukungan darurat: Identifikasi dengan cepat keluhan berisiko tinggi (seperti pemotongan berulang kali) dalam skenario e-niaga keuangan. Ketika pelanggan sedang emosional atau meminta pengembalian dana, mereka akan diberi label sebagai mendesak dalam hitungan milidetik dan dikirim dengan prioritas.

7. Gameplay yang lebih liar

• Hasilkan gambar piksel demi piksel: Pengembang @anshuc mengubah pembuatan gambar menjadi masalah klasifikasi tingkat piksel - memberikan setiap piksel serangkaian pilihan warna dan probabilitas, program secara bertahap mengisinya dengan warna probabilitas tertinggi yang dipilih oleh Jev, dan akhirnya menguraikan gambar beresolusi rendah
• Transaksi on-chain otomatis: Beberapa pengembang Web3 menghubungkan Jev ke bursa terdesentralisasi, membaca data kedalaman pesanan secara real-time, dan hanya menghasilkan tiga tindakan: beli, jual, dan tahan. Komunitas merasa bahwa ini adalah salah satu aplikasi yang paling menarik perhatian, namun risikonya juga terlihat jelas dalam kondisi pasar sebenarnya.
• Pilih komponen untuk antarmuka web: Dalam proyek json-render, Jev memilih komponen dan mengatur hubungan, dan program mengumpulkan hasilnya ke dalam antarmuka yang dapat dirender - seperti blok penyusun.

8. Hasil evaluasi yang patut diperhatikan

Dalam evaluasi prapendaftaran double-blind yang dilakukan oleh PrimeLine, ada satu detail yang menjelaskan.

Akurasi mutlak Claude Opus 5 dan Haiku 4.5 pada dua tugas nyataSebanding dengan Jev, atau bahkan lebih baik pada awalnya. Namun ketika evaluasi memungkinkan model untuk melewatkan sampel yang paling tidak diyakininya,Jev mengungguli kedua tugas tersebut.

Alasannya adalah kepercayaan diri yang dihasilkannyadikalibrasi, sementara model generatif umum cenderung tidak terkalibrasi dengan baik dan terlalu percaya diri dalam mengambil keputusan. Dengan kata lain: Ketika "mengetahui apa yang tidak Anda ketahui" lebih penting daripada "menjawab dengan keras", nilai Jev muncul.

Bagaimana memulainya

Jika Anda sudah menggunakan platform agregasi model, biaya aksesnya hampir nol:

• BukaRouter: Jev telah diluncurkan di katalog model resmi, nama model typesafe/jev, ubah nama model dalam kode dan Anda dapat beralih
• Gerbang AI Vercel: Integrasi selesai dalam waktu 72 jam setelah rilis, didistribusikan melalui jaringan edge global Vercel, dengan latensi rendah
• SDK resmi: TypeSafe menyediakan konsol online (Playground) dan dokumentasi lengkap, mendukung HTTP API, Python SDK, dan JavaScript SDK
• Paket keterampilan resmi: TypeSafe telah membuka gudang keterampilan di GitHub untuk mengajarkan agen pengkodean untuk "menanyakan semua ambiguitas sekaligus" alih-alih hanya menanyakan satu pertanyaan dalam satu waktu.

Harga: $0,042 per juta token untuk masukan, gratis untuk keluaran. Ada juga kuota gratis untuk mencoba akun baru.

Katakan sesuatu yang tenang

Pertama,Ini bukan pengganti model yang lebih besar. Jev adalah model pengambilan keputusan khusus. Jangan berharap ia memiliki pemikiran terbuka dan kemampuan menghasilkan konten. Nilainya adalah untuk mencapai tujuan akhir dalam membuat keputusan yang cepat dan andal dengan kemungkinan hasil yang jelas.

Kedua,Dalam banyak kasus, perlu dibedakan “yang kreditnya”. Misalnya, demonstrasi Penggunaan Browser dalam mencari penerbangan dalam 7 detik adalah hasil kerja sama seluruh rantai alat, dan semua kemampuan tidak dapat dikaitkan dengan Jev. Gudang kasus yang diorganisir oleh komunitas itu sendiri juga menandai batas-batas bukti—prinsip mana yang jelas, dampak mana yang perlu diverifikasi, dan klaim mana yang tidak berdasar. Sikap ini patut dipelajari.

Ketiga,Berhati-hatilah terhadap tiupan buta. Jev muncul di layar dalam waktu seminggu setelah dirilis. Popularitasnya mencakup nilai teknis nyata dan banyak elemen pemasaran. Yang benar-benar Anda perlukan adalah menjalankan tugas Anda sendiri dengannya dan melihat berapa banyak penundaan dan uang yang Anda hemat.

Tapi satu hal yang pasti:Aplikasi AI bukan hanya tentang “generasi”. Di luar jalur ini, infrastruktur “penghakiman” yang telah lama diabaikan sedang ditambahkan. Sulit untuk mengatakan apakah Jev adalah jawaban akhir, tetapi ini menimbulkan pertanyaan yang tepat.

Model besar bertanggung jawab untuk menulis jawaban, dan Jev bertanggung jawab untuk membuat keputusan - masing-masing menjalankan tugasnya sendiri, yang merupakan struktur yang baik.

Referensi: Catatan rilis resmi TypeSafe AI, perpustakaan kasus Jev_apps (137 kasus / 11 jenis penggunaan), Wikipedia, analisis teknis DataCamp

Baru-baru ini, model berbeda telah muncul di lingkaran AI - Jev. Ia tidak bersaing dengan GPT dan Claude untuk pekerjaan "menulis jawaban", namun berfokus pada posisi yang diabaikan:membuat penilaian.

Berikan situasi saat ini, tambahkan pertanyaan atau serangkaian opsi, dan yang dikembalikan adalah jawaban atas pertanyaan pilihan ganda, skor, atau probabilitas ya/tidak - dan kemudian program mengeksekusinya. Tanggal rilisnya adalah 15 September 2026 (akses awal terbatas). Perusahaan di baliknya disebut TypeSafe AI. Pendirinya, Diogo Almeida, adalah salah satu penemu ChatGPT. Putaran awal bernilai US$40 juta, dipimpin oleh DCVC.

Konsepnya terdengar abstrak, namun komunitas telah menangani ratusan kasus dalam seminggu. Pilih beberapa yang paling menarik dan setelah membacanya Anda akan memahami masalah apa yang dipecahkannya.

Pahami dulu perbedaannya dengan model besar biasa

Inti dari model besar tradisional bersifat generatif: Anda memintanya, dan model tersebut menuliskannya token demi token. Saya pandai menulis artikel, penalaran logika, dan mengetik kode, tetapi ketika dihadapkan dengan pertanyaan pilihan ganda sederhana seperti "pilih salah satu dari opsi ini", itu menjadi berlebihan - lambat dan mahal.

Jev melakukan sebaliknya: ringanModel klasifikasi dan penilaian. Setiap kali Anda memanggilnya, Anda memberinya sepotong informasi latar belakang dan serangkaian opsi yang ditentukan dengan jelas, dan secara langsung menampilkan distribusi probabilitas dari opsi-opsi ini dan mengembalikan opsi dengan keyakinan tertinggi. Penundaannya puluhan hingga ratusan milidetik, dan biayanya hanya sebagian kecil dari biaya model besar yang umum.

TypeSafe secara resmi menamakannyaModel Sistem Satu——Meminjam konsep "Sistem 1" (intuisi, penilaian cepat) dalam psikologi dan sesuai dengan model bahasa besar "Sistem 2" (penalaran lambat dan mendalam). Data resminya adalah 40-200 kali lebih cepat dibandingkan model besar terkemuka, dan biaya inputnya hanya $0,042 per juta token.Keluaran gratis.

1. Gunakan untuk bermain game: dari Doom hingga 50 Subway Surfers

Ini adalah jenis aplikasi yang paling mudah untuk memahami nilai Jev - permainan memerlukan pengambilan keputusan kecil berkali-kali per detik, dan itulah kekuatannya.

• Demo resmi: Mainkan Doom secara real-time. Jev makes about 10 action decisions per second, controlling character movement and shooting.Satu jam pengoperasian terus menerus berharga sekitar $7——Angka ini mengejutkan para insinyur, menunjukkan bahwa pengambilan keputusan real-time dengan frekuensi tinggi dapat dilakukan
• Kontrol 50 Subway Surfers secara bersamaan. Pengembang @_MaxBlade membangun lingkungan otomatis yang memungkinkan Jev mengontrol 50 game secara bersamaan. Setiap tindakan berpindah jalur, melompat, dan meluncur adalah sebuah keputusan kecil. Dilaporkan menyelesaikan semua 50 babak,Total biaya kurang dari satu sen
• Pengontrol Super Mario Sumber Terbuka. Sistem besutan pengembang @faadilhshaik membaca status permainan terstruktur langsung dari memori. Jev memutuskan kapan harus melompat dan kapan harus berakselerasi. Proyek ini bersifat open source
• Lari Cepat Bunuh Puncak Menara 2. Pengembang Tiongkok Paulwei menggunakannya untuk memainkan permainan kartu strategi. Saat menggunakan model besar di masa-masa awal, terdapat penundaan yang signifikan antara kedua kartu; setelah beralih ke JevSetiap keputusan hanya membutuhkan waktu 0,7 detik, perintah selanjutnya dapat dikirimkan sebelum animasi sebelumnya selesai.
• Balap Wiki. Demonstrasi resmi lainnya: dimulai dari artikel Wikipedia, navigasi ke artikel target hanya dengan mengandalkan hyperlink halaman. Setiap langkah mungkin menghadapi ratusan atau bahkan ribuan tautan kandidat, dan Jev perlu memilih salah satu yang secara semantik paling dekat dengan target - menguji kemampuan untuk memilih di antara sejumlah besar opsi.

2. Simulasi fisik: biarkan roket mendarat dengan sendirinya

Saya sangat menyukai kasus ini karena membuktikan bahwa Jev mampu melakukan lebih dari sekedar bermain game.

Pengembang @uttkarsh_42 menghubungkan Jev ke mesin fisika MuJoCo untuk mengendalikan roket yang mendarat secara vertikal. Jev bertanggung jawab untuk memutuskan:Kapan harus menyala, berapa banyak mesin yang harus dijalankan, dan kapan harus beralih ke posisi pendaratan. Setelah 12 kali pengujian, sistem berhasil mendarat. Salah satu eksperimen lengkap menerima 245 panggilan dan melaporkan biaya sekitar $0,04.

Ada juga mengemudi otonom dalam simulasi kota 3D: pengembang @jpschroeder mengintegrasikan Jev ke dalam kota virtual. Saat kendaraan sedang mengemudi, ia menggunakan data sensor dan kondisi jalan untuk menentukan arah mengemudi, dan status baru diumpankan kembali ke sistem setelah setiap tindakan. The entire build is said to have taken less than an hour.

3. Otomatisasi browser: mencari penerbangan nyata dalam 7 detik

Ini adalah salah satu arahan dengan nilai teknik tertinggi saat ini.

Tim Penggunaan Browser hanya merilis di Jev 3 hariSetelah itu, jev-ultrafast terintegrasi resmi dirilis, dan dikatakan mendapat 2.700 bintang GitHub dalam dua hari. Ini membagi operasi halaman web menjadi dua set pilihan (tindakan + sasaran),Tidak diperlukan tangkapan layar atau token multimodal, setiap perjalanan pulang pergi hanya menghasilkan dua keputusan.

Pendiri Gregor Zunic membagikan demo yang belum dipotong dari otomatisasi browser bertenaga Jev yang menyelesaikan pencarian penerbangan satu arah di situs web maskapai penerbangan sebenarnya,Seluruh proses memakan waktu 7 detik, biaya panggilan model adalah sekitar $0,0039.

Ada banyak yang serupa: Kontrol browser Stagehand, penggunaan jev Cua, TipTour yang menggunakan CoreML + OCR untuk menemukan tombol di Mac dan membiarkan Jev memilih lokasi klik, browser kontrol suara... Saat ini terdapat 13 kasus dalam kategori ini, yang merupakan kategori dengan kasus terbanyak.

4. Jadilah "router": membantu memilih model yang sesuai untuk tugas tersebut

Ada pemborosan nyata di era multi-model: menggunakan model mahal untuk masalah sederhana hanya membuang-buang uang. Latensi Jev yang rendah dan biaya rendah membuatnya sangat cocok untukTriase lalu lintas.

• Router Kode Claude: Seperti triase perintah kerja, Jev terlebih dahulu menentukan tingkat kesulitan tugas, dan plug-in kemudian memilih model sub-agen dan kekuatan penalaran sesi utama yang sesuai.
• Perutean kesulitan misi Codex: Perkirakan kompleksitas logis dari tugas pengkodean sebelum dieksekusi, pengeditan sederhana hilang dari model murah, dan rekonstruksi lintas file yang kompleks mengaktifkan model yang lebih kuat - dilaporkanMengurangi total biaya model lebih dari 60%
• Hawa perutean bersyarat/distribusi permintaan: Pertama-tama tentukan jenis model apa yang diperlukan untuk masalah tersebut, lalu serahkan ke model yang sesuai untuk diproses.
• Divisi agen pengkodean lokal: Tetapkan tugas sederhana, masalah kompleks, dan tugas jangka panjang ke asisten AI yang berbeda

LangChain menulis artikel khusus "Membangun Sabuk Pengaman dengan Jev", menunjukkan bahwa logika klasifikasi dan perutean dalam kerangka agen secara tradisional tersembunyi dalam berbagai implementasi sumber tertutup. Model klasifikasi umum berbiaya rendah seperti Jev memungkinkan lapisan logika pengambilan keputusan ini digunakan kembali di agen sumber terbuka. Armin Ronacher, pendiri Sentry, juga percaya bahwa menggunakan model generatif besar untuk membuat keputusan perutean adalah tidak masuk akal secara ekonomi.

5. Keselamatan dan Rekayasa: Pekerjaan Kotor yang Tidak Mencolok

Aplikasi jenis ini memang tidak mencolok, namun paling praktis.

• Vercel menggantikan pengklasifikasi keamanan perintah Shell: Insinyur Pranit Sharma mengganti pengklasifikasi keamanan perintah shell internal OpenAI dengan Jev. Hal ini dilaporkan5-18 kali lebih cepat, dan tingkat alarm palsu lebih rendah - pengurangan alarm palsu sebenarnya meningkatkan keakuratan sistem
• Deteksi injeksi yang cepat: Komunitas memiliki jev-mcp bersumber terbuka (ekstensi berdasarkan protokol MCP). Anda dapat menggunakan Jev untuk melakukan pengecekan fakta lintas sumber, mendeteksi serangan injeksi cepat yang tersembunyi di perintah pengguna, dan menilai relevansi semantik dari konten yang diambil.
• Kompresi konteks panjang: fast-jev-compaction menggunakan Jev untuk dengan cepat mengevaluasi nilai setiap panggilan alat, menghapus log yang tidak berguna sambil mempertahankan status utama - konteksnya mudah diperluas ketika agen pengkodean melakukan tugas yang panjang. Proyek ini juga telah diakui oleh tim resmi Jev
• Pra-penyaringan PR: Analisis daftar file yang diubah dan hasil pengujian otomatis di saluran CI, evaluasi terlebih dahulu apakah PR memenuhi syarat untuk digabungkan, dan secara otomatis menandai PR berisiko tinggi dan mentransfernya secara manual

6. Jalur bisnis: email, perintah kerja, layanan pelanggan

Kesamaan dari skenario ini adalah:Perlu membuat banyak keputusan kecil dengan cepat dan konsisten, menggunakan model besar itu mahal dan lambat.

• Klasifikasi maksud email bisnis: Nikhil Mudholkar, CTO BryoAI, membandingkan Jev dan Gemini. Akurasi absolut Gemini sedikit lebih baik, tapiBiaya per panggilan 10-20x lebih tinggi. Yang lebih penting lagi, Jev menyediakan distribusi probabilitas yang terkalibrasi, sehingga memudahkan sistem hilir untuk menetapkan ambang batas kepercayaan
• Alokasi perintah kerja dan perutean otomatis: Cerna surat itu menjadi informasi penting dan berikan kepada Jev, pilih yang paling cocok dari sekelompok tim bisnis, ganti aturan reguler tulisan tangan yang rapuh
• Pengurangan berulang dan klasifikasi dukungan darurat: Identifikasi dengan cepat keluhan berisiko tinggi (seperti pemotongan berulang kali) dalam skenario e-niaga keuangan. Ketika pelanggan sedang emosional atau meminta pengembalian dana, mereka akan diberi label sebagai mendesak dalam hitungan milidetik dan dikirim dengan prioritas.

7. Gameplay yang lebih liar

• Hasilkan gambar piksel demi piksel: Pengembang @anshuc mengubah pembuatan gambar menjadi masalah klasifikasi tingkat piksel - memberikan setiap piksel serangkaian pilihan warna dan probabilitas, program secara bertahap mengisinya dengan warna probabilitas tertinggi yang dipilih oleh Jev, dan akhirnya menguraikan gambar beresolusi rendah
• Transaksi on-chain otomatis: Beberapa pengembang Web3 menghubungkan Jev ke bursa terdesentralisasi, membaca data kedalaman pesanan secara real-time, dan hanya menghasilkan tiga tindakan: beli, jual, dan tahan. Komunitas merasa bahwa ini adalah salah satu aplikasi yang paling menarik perhatian, namun risikonya juga terlihat jelas dalam kondisi pasar sebenarnya.
• Pilih komponen untuk antarmuka web: Dalam proyek json-render, Jev memilih komponen dan mengatur hubungan, dan program mengumpulkan hasilnya ke dalam antarmuka yang dapat dirender - seperti blok penyusun.

8. Hasil evaluasi yang patut diperhatikan

Dalam evaluasi prapendaftaran double-blind yang dilakukan oleh PrimeLine, ada satu detail yang menjelaskan.

Akurasi mutlak Claude Opus 5 dan Haiku 4.5 pada dua tugas nyataSebanding dengan Jev, atau bahkan lebih baik pada awalnya. Namun ketika evaluasi memungkinkan model untuk melewatkan sampel yang paling tidak diyakininya,Jev mengungguli kedua tugas tersebut.

Alasannya adalah kepercayaan diri yang dihasilkannyadikalibrasi, sementara model generatif umum cenderung tidak terkalibrasi dengan baik dan terlalu percaya diri dalam mengambil keputusan. Dengan kata lain: Ketika "mengetahui apa yang tidak Anda ketahui" lebih penting daripada "menjawab dengan keras", nilai Jev muncul.

Bagaimana memulainya

Jika Anda sudah menggunakan platform agregasi model, biaya aksesnya hampir nol:

• BukaRouter: Jev telah diluncurkan di katalog model resmi, nama model typesafe/jev, ubah nama model dalam kode dan Anda dapat beralih
• Gerbang AI Vercel: Integrasi selesai dalam waktu 72 jam setelah rilis, didistribusikan melalui jaringan edge global Vercel, dengan latensi rendah
• SDK resmi: TypeSafe menyediakan konsol online (Playground) dan dokumentasi lengkap, mendukung HTTP API, Python SDK, dan JavaScript SDK
• Paket keterampilan resmi: TypeSafe telah membuka gudang keterampilan di GitHub untuk mengajarkan agen pengkodean untuk "menanyakan semua ambiguitas sekaligus" alih-alih hanya menanyakan satu pertanyaan dalam satu waktu.

Harga: $0,042 per juta token untuk masukan, gratis untuk keluaran. Ada juga kuota gratis untuk mencoba akun baru.

Katakan sesuatu yang tenang

Pertama,Ini bukan pengganti model yang lebih besar. Jev adalah model pengambilan keputusan khusus. Jangan berharap ia memiliki pemikiran terbuka dan kemampuan menghasilkan konten. Nilainya adalah untuk mencapai tujuan akhir dalam membuat keputusan yang cepat dan andal dengan kemungkinan hasil yang jelas.

Kedua,Dalam banyak kasus, perlu dibedakan “yang kreditnya”. Misalnya, demonstrasi Penggunaan Browser dalam mencari penerbangan dalam 7 detik adalah hasil kerja sama seluruh rantai alat, dan semua kemampuan tidak dapat dikaitkan dengan Jev. Gudang kasus yang diorganisir oleh komunitas itu sendiri juga menandai batas-batas bukti—prinsip mana yang jelas, dampak mana yang perlu diverifikasi, dan klaim mana yang tidak berdasar. Sikap ini patut dipelajari.

Ketiga,Berhati-hatilah terhadap tiupan buta. Jev muncul di layar dalam waktu seminggu setelah dirilis. Popularitasnya mencakup nilai teknis nyata dan banyak elemen pemasaran. Yang benar-benar Anda perlukan adalah menjalankan tugas Anda sendiri dengannya dan melihat berapa banyak penundaan dan uang yang Anda hemat.

Tapi satu hal yang pasti:Aplikasi AI bukan hanya tentang “generasi”. Di luar jalur ini, infrastruktur “penghakiman” yang telah lama diabaikan sedang ditambahkan. Sulit untuk mengatakan apakah Jev adalah jawaban akhir, tetapi ini menimbulkan pertanyaan yang tepat.

Model besar bertanggung jawab untuk menulis jawaban, dan Jev bertanggung jawab untuk membuat keputusan - masing-masing menjalankan tugasnya sendiri, yang merupakan struktur yang baik.

Referensi: Catatan rilis resmi TypeSafe AI, perpustakaan kasus Jev_apps (137 kasus / 11 jenis penggunaan), Wikipedia, analisis teknis DataCamp