Hamed Nilforoshan 对比测试 OpenAI Decisions API 与 Jev 在 HiringCafe 上的表现
Hamed Nilforoshan 在 HiringCafe 上对比评估了 OpenAI Decisions API 与 Jev。结果显示,在评估职位查询相关性方面,OpenAI 的 API 成本高出一倍,表现落后 5% 至 10%。
Hamed Nilforoshan 在 HiringCafe 上对比评估了 OpenAI Decisions API 与 Jev。结果显示,在评估职位查询相关性方面,OpenAI 的 API 成本高出一倍,表现落后 5% 至 10%。
Modal 表示,TypeSafe AI 在 Modal 基础设施上扩展了 Jev 的部署,自该模型于周四发布至周日期间,共处理了 1 万亿个 Token。
Google Gemma 表示,在 vLLM 中用回答模板为画布设定初始内容后,DiffusionGemma 可以在单次去噪步骤中,为是非题、选择题和评分题返回置信度分数与概率分布。
Zhaorun Chen称,在DTap上对Jev 1.13进行红队测试发现,直接滥用的攻击成功率为70.1%,间接提示注入为43.5%。他表示,用Jev对其自身工具调用做门控降低了该成功率,同时保留了大部分效用;TypeSafe AI质疑Jev是否失灵,并称其是为可组合性而构建。
在 JevBench 上,OpenRouter 称 solar-decide 的准确率为 87.0%,Jev 1.13 为 86.1%,中位延迟分别为 0.14 秒和 0.30 秒。
Diogo Almeida与a16z的Ben Horowitz、Martin Casado谈了Jev。这是一款为嵌入软件而构建的模型。它读取自然语言,从一组选项中返回一个选择,并给出每个选项的置信度。
TypeSafe AI 表示,新注册的 Jev 用户不再获得免费额度,并希望尽快恢复。Jev 可在 TypeSafe 控制台启动。
一篇论文报告,TypeSafe AI 的 Jev 无需额外训练,就能以 0.886 的中位 AUROC 把对齐失败与良好回答区分开。在 19 项基准上,一次 Jev 评估成本为 0.30 美元,而这些基准所用的 LLM 评判成本为 18.96 美元。
OpenRouter称,Jev占每周分类请求量的27%,接近此前在该类别领先的DeepSeek V4 Flash所占份额的两倍。
elvis 表示,在一个小型支持代理上,Jev Router 与固定的 GPT-6 Sol 基线在共 32 次调用中都解决了全部 8 个案例。路由成本为 0.008 美元,对比 0.018 美元;中位响应时间为 1.5 秒,对比 1.9 秒。
Isaac Miller 表示,DSPy 3.4.0 新增对 Jev 与 System One 模型的原生支持,并引入 ReAnchor,一种按置信度校准输出的优化器。
OpenRouter 表示,已经在调用 Jev 的开发者只需将 model 字段改为 jaredpalmer/kev-4b,即可切换到 Kev。
一篇 Jev-as-a-Judge 论文报告称,接受 TypeSafe AI 置信度较高的 JEV 判定,并将其余判定升级至 GPT-6 Astra,在 510 对留出偏好样本上保留了 GPT-6 99% 的准确率,费用约为 GPT-6 的 57%。作者表示,升级阈值并不能迁移到每一个回退模型,应基于自身数据设定。
Pydantic 表示,这些智能体使用 TypeSafe AI 的 Jev 分类器回答类型化问题,并按每个智能体已有的输出模型返回结果,每个字段附带一个置信度分数。
2026 年 9 月 22 日,Ahmad Awais 表示,他将在 Command Code 上免费推出 Jev,仅限 headless 模式或 Provider API。他还开源了名为 cmd-mod-jev-nudge 的 mod。
Jev 只能在无头模式或通过 Provider API 使用。Ahmad Awais 还开源了 mod cmd-mod-jev-nudge,并表示免费使用是为了在仍有更多工作时让智能体持续运行。
Shahriar Tajbakhsh 表示,Metaview 在周末把 TypeSafe AI 的 jev 加入了每一个 agent。他说,sourcing 产品中的候选人搜索从原先需要数分钟缩短到数秒,准确率不变,速度大约提升至 10 倍,单次搜索成本也明显降低。
OpenRouter Classifiers 可通过 typesafeai 的 Jev 自动分类 LLM 请求,结果可在 Explore 中分析。
TypeSafe 援引 MotherDuck 的说法称,由 TypeSafe 的 Jev 模型驱动的 SQL 函数 prompt_jev() 使文本分类速度约快 50 倍,成本约为原来的 1%。MotherDuck 报告称,100k 行数据耗时 40 秒、费用 $0.50,而使用 LLM 则需 32 分钟、费用 $37。
TypeSafe AI 表示 Jev 现已可用,并附上链接 https://console.typesafe.ai。该帖文未说明 Jev 是什么,也未提及任何访问条款。