Le post de lancement de Jev
Diogo Almeida présente Jev, un modèle de décision structuré de TypeSafe. Cette ressource propose un aperçu de l'approche fondamentale du modèle, des exemples concrets et des mesures de performance rapportées par l'auteur.
Le meilleur de Jev : projets concrets, guides pratiques et idées du web.
Diogo Almeida présente Jev, un modèle de décision structuré de TypeSafe. Cette ressource propose un aperçu de l'approche fondamentale du modèle, des exemples concrets et des mesures de performance rapportées par l'auteur.
TypeSafe lance officiellement son laboratoire de recherche et présente Jev à la communauté des développeurs. Cette annonce comprend un film de lancement réalisé par Diogo Almeida et fournit un contexte essentiel sur la mission et l'orientation future du projet.
TypeSafe a supprimé la liste d'attente pour Jev, permettant un accès public à la plateforme. Les développeurs peuvent utiliser la console officielle pour intégrer et tester des capacités de prise de décision typées dans leurs propres applications.
TypeSafe met en avant l'approche de sortie typée de Jev : les applications fournissent l'état et les questions, puis agissent sur les probabilités, les choix ou les scores. L'annonce liée couvre également l'intégration de l'API Venice.
Start with the Launch Post. Explore four official signals.
1 262 ressources
AI-assisted summaries and translations. Check original sources for context and performance claims.
Reproducible early-access evaluation of Jev on Korean understanding and medical text, with runtime and cost evidence.
Rust CLI powered by Jev from TypeSafe.ai that ranks agent skills for the next step using live session context. Includes Claude Code hooks, structured JSON, abstention, and local feedback. Requires a TypeSafe API key.
JEVLAB ARTPre-install security gate for npm lifecycle scripts using TypeSafe System One.
Ce dépôt propose une implémentation de trading en direct pour la plateforme Hyperliquid utilisant Jev. Il démontre comment intégrer une logique de trading automatisé avec l'API de l'échange pour exécuter des opérations de marché en temps réel.
jev-hub est un répertoire organisé regroupant des articles détaillés et des vidéos de démonstration sur Jev, le modèle d'IA de type sûr System 1. Il centralise les ressources communautaires pour faciliter l'accès aux discussions et aux exemples pratiques du framework.
Ce banc d'essai intègre des simulations robotiques MuJoCo avec MiniCPM5-2B et des API de modèles Jev. Il démontre un cadre pour tester des agents de prise de décision incarnés dans des environnements physiques, facilitant la recherche sur l'interaction des modèles avec le matériel physique simulé.
Cette documentation de référence officielle fournit un aperçu complet des SDK clients disponibles pour TypeSafe AI. Elle constitue une ressource fondamentale pour les développeurs souhaitant intégrer les capacités de TypeSafe AI dans leurs applications à l'aide des langages pris en charge.
Ce projet présente un chatbot conçu avec Jev qui fonctionne sans grand modèle de langage. Il fournit des réponses instantanées en intégrant directement des outils externes tels que la recherche web, Wikipédia et des services de données météorologiques.
Ce projet présente un outil de recrutement automatisé conçu pour évaluer les profils des candidats par rapport à des centaines d'entreprises. Le créateur affirme que le système génère des scores de confiance de compatibilité pour 400 organisations en douze secondes.
A chess experiment where Jev V13 makes decisions against advanced language models.
Cette preuve de concept illustre l'utilisation de TypeSafe Jev pour automatiser l'approbation des commandes de Hermes Agent. Le créateur rapporte des gains d'efficacité basés sur des tests effectués sur 153 commandes réelles.
Cette démonstration présente un agent utilisant Ego Lite et Jev pour effectuer des évaluations rapides de produits. Le créateur affirme que le système réalise vingt évaluations de produits en moins de quatre secondes.
A demonstration of Jev competing against OpenJev in a first-person shooter game.
Ce projet propose un flux de travail de revue de code par étapes et un tableau de bord local. Il démontre comment utiliser TypeSafe Jev pour gérer et visualiser les processus de revue automatisés directement dans l'environnement local du développeur.
JEVLAB ARTNushell module for the TypeSafe System One API: typed decisions with calibrated probabilities.
Cette démonstration illustre un système où Jev sélectionne dynamiquement différents modèles d'IA pour des tâches spécifiques. Elle montre comment rationaliser l'utilisation des modèles au sein d'une interface de terminal unique pour une meilleure gestion des flux.

Cet outil fournit une interface CLI et une compétence Codex sans dépendance pour Jev. Il illustre une méthode permettant d'envoyer des états locaux à Jev pour des jugements typés par lots, tout en masquant l'état original dans les réponses.
Real-time Discord moderation bot: Jev evaluates messages and metadata in parallel to catch phishing, spam, and social engineering with a progressive escalation ladder.
JEVLAB ARTChallenge the Jev's intelligence in Rubik Cube puzzles.
Cet outil expérimental utilise Jev pour analyser et vérifier la syntaxe des politiques de sécurité au niveau des lignes de Supabase. Il vise à aider les développeurs à identifier les problèmes de configuration potentiels dans leurs règles de sécurité de base de données.
Ce projet démontre l'assurance qualité frontend basée sur des preuves en utilisant Jev Ultrafast et Browser Harness. Il propose une application de tâches synthétique pour illustrer l'intégration de ces outils dans des flux de travail de test automatisés.
Cet outil aide les développeurs à optimiser leur visibilité sur l'App Store en analysant les stratégies de mots-clés des concurrents. Il utilise Jev pour filtrer et identifier les termes pertinents, permettant ainsi d'affiner les métadonnées pour une meilleure découvrabilité sur la plateforme.
Use Jev (TypeSafe's System One model) as a calibrated reranker: one call, up to 30 documents, a probability per document. Apache-2.0.
zcode-jev propose une couche de jugement typée pour les agents de codage. Il sert de passerelle entre les documents de spécifications produit et le déploiement, offrant un cadre agnostique aux fournisseurs pour les flux de travail compatibles Jev.
Jev decision layer for agents: MCP server, embeddable DecisionModel library, and an escalate-only Claude Code plugin (TypeSafe AI's Jev).
JEVLAB ARTs1-rs propose une couche Système Un typée pour Rust, axée sur les mécanismes de choix, de score et de Noul. Cette bibliothèque démontre une approche architecturale permettant d'intégrer des modèles de prise de décision intuitifs dans les applications Rust via des abstractions typées.
Ce projet présente le routage d'outils sémantiques et la prise de décision typée de type Système Un pour l'agent de codage Pi. Il utilise TypeSafe Jev pour structurer les flux de travail des agents et améliorer la fiabilité des tâches de codage automatisées.
An awesome collection of Jev use cases, workflows, and agent skills.
Cette intégration relie Home Assistant à TypeSafe Jev. Elle permet aux utilisateurs d'interroger les données de leur domicile et d'obtenir des probabilités, des choix ou des scores sous forme d'entités dans leur tableau de bord domotique.
Ce projet illustre l'automatisation de navigateur en utilisant Jev comme modèle de décision. Il fournit un cadre pour intégrer la logique d'IA TypeSafe dans les tâches de navigation web, permettant des interactions structurées avec les environnements de navigation.
Ce projet intègre trois agents basés sur Jev dans un environnement de jeu de tir à la première personne. Il démontre la coordination multi-agents dans un scénario de combat en temps réel, illustrant le fonctionnement des modèles Jev comme joueurs autonomes.
Ce projet présente une implémentation de recherche arborescente de Monte Carlo discriminative. Il utilise les primitives TypeSafe Jev System One intégrées à Gemini pour faciliter des processus de prise de décision structurés au sein d'un cadre d'agents.
Ce dépôt fournit un environnement de bac à sable pour tester le modèle Jev. Il sert de terrain de jeu expérimental permettant aux développeurs d'explorer les comportements et interactions du modèle au sein d'un cadre structuré et typé de manière sécurisée.
Cette démonstration illustre l'intégration de Jev au sein de l'agent de navigation rtrvr.ai. Elle évalue les performances de Jev sur des tâches web réelles, soulignant ses forces actuelles et identifiant les axes d'amélioration lors de son utilisation avec des modèles plus vastes.

A community post exploring Jev's behavior in a game of Catan, where multiple Jevs struggle with negotiation.
Cet outil propose un routeur de capacités par prompt pour les agents de codage. Il résout les compétences installées, les serveurs MCP et les commandes via TypeSafe Jev tout en évaluant l'impact réel de ces injections sur les performances.
Ce projet de recherche examine la manière dont l'architecture Jev gère le traitement de la langue espagnole. Il sert d'audit expérimental pour évaluer les performances linguistiques et la gestion des caractères au sein du framework Jev.
Cette étude de Boring Tools Kit examine la tarification des audits SEO. Elle montre comment le triage Jev aide à hiérarchiser les correctifs techniques et les lacunes de contenu en utilisant des probabilités calibrées pour améliorer le référencement.
Code quality and test coverage for coding agents: Jev scores each source file so the agent knows what to fix first.
A developer project where Jev assists in browsing by selecting actions, with an LLM planning and citing sources.
JEVLAB ARTRoboJEV est un projet de développement illustrant un système de contrôle Jev à deux étages pour un bras robotique dans l'environnement de simulation MuJoCo. Il constitue une implémentation expérimentale visant à tester des logiques de contrôle axées sur le matériel.
Jev-compatible System 开源Jev.
tiershift est un outil de routage qui dirige les requêtes LLM vers le modèle le plus économique selon des politiques YAML définies par l'utilisateur. Il utilise TypeSafe Jev pour gérer les décisions de routage et prend en charge TypeScript et Python.
Ce SDK permet aux développeurs PHP d'intégrer Jev dans leurs applications. Il facilite l'envoi de textes et de questions typées tout en récupérant des réponses structurées avec des scores de confiance, compatible avec les clients PSR-18 et Laravel.
Ce projet intègre Jev dans le jeu classique Chrome Dino pour fournir des scores de décision en temps réel. Il démontre comment une logique externe peut influencer les mécaniques de jeu en affichant des mesures d'évaluation en direct pendant la course.
Ce serveur MCP intègre TypeSafe Jev dans Claude Code, offrant des outils structurés pour la classification, la notation et le traitement par lots. Il démontre comment exposer des capacités de jugement calibrées sous forme de fonctions standardisées pour les flux de travail automatisés.
A console project where Jev dynamically selects the design system at runtime for tools and apps.
Ce projet communautaire démontre le potentiel de Jev à fonctionner comme un environnement informatique en émulant un processeur 6502. Il sert de preuve de concept expérimentale pour exécuter des architectures matérielles héritées au sein du cadre Jev.
Ce dépôt propose une liste organisée d'outils, d'intégrations et de projets expérimentaux utilisant Jev. Il sert de répertoire central pour les développeurs explorant le modèle System One de TypeSafe AI pour la prise de décision typée.
Ce projet présente une superposition en temps réel pour League of Legends utilisant Jev pour analyser l'état de la partie. Le créateur affirme que l'outil fournit des prédictions de probabilité de victoire basées sur les données de jeu en cours.
Cet outil sert d'assistant de mahjong utilisant Jev pour suggérer des défausses de tuiles. Il est conçu pour aider les joueurs à améliorer leur prise de décision pendant les parties en offrant des conseils stratégiques en japonais.
JEVLAB ARTCe package fournit un TypeSafeClassifier pour intégrer la logique Jev dans les flux de travail LangChain. Il démontre une approche structurée pour gérer les processus de prise de décision dans les applications d'IA en utilisant des modèles de sécurité de type.
Ce projet web propose un environnement d'échecs en 3D où Jev joue les deux camps. Les utilisateurs peuvent observer les parties automatisées ou intervenir à tout moment pour prendre le contrôle de l'un des joueurs.
Cet aperçu explore les fonctionnalités principales de Jev et présente une variété de projets actuellement en cours de développement au sein de son écosystème. Il souligne comment les développeurs utilisent ce cadre pour créer diverses applications basées sur des agents.
Ce projet illustre l'utilisation de Jev pour classer plus de 1 000 articles de recherche en IA. Il constitue un exemple concret d'automatisation de l'organisation de documents académiques visant à améliorer l'efficacité et à réduire les coûts.
Utilizing Jev, the RLCD-type model provided by TypeSafe AI, to independently and cheaply judge agentic coding sessions.
Ce projet de développement présente un mécanisme de filtrage pour Jev qui traite les résultats des outils avant leur transmission au modèle. Il vise à améliorer l'efficacité opérationnelle des systèmes basés sur des agents.
Ce prototype Python présente un agent jouant à Super Mario Bros. sur NES en interprétant des données RAM structurées. Il utilise Jev pour traiter l'état du jeu et décider des mouvements et des sauts appropriés pour le personnage.
A dynamic form tool using Jev for conditional logic, built with Vercel JSON-render.
Cette ressource présente sept workflows automatisés pour Jev axés sur l'optimisation pour les moteurs de recherche et la géolocalisation. Elle couvre des tâches pratiques telles que l'analyse des pages concurrentes, l'évaluation de la probabilité de citation et l'optimisation de contenu.
Cette bibliothèque fournit un client Elixir idiomatique pour interagir avec l'API TypeSafe AI. Elle permet aux développeurs d'intégrer les services TypeSafe AI dans leurs applications Elixir en utilisant les modèles et structures natifs du langage.
Ce projet présente un modèle de décision pour filtrer des dossiers de CV avec TypeSafe Jev. Il propose un cadre permettant d'appliquer des jugements typés et des politiques modifiables, offrant ainsi la possibilité de renoter librement les documents selon des critères définis.
Ce dépôt propose une analyse indépendante de Jev 1.13.0. Il documente des expériences de prompts contrôlées et des données brutes pour aider les utilisateurs à vérifier le comportement et les caractéristiques de performance du modèle via des tests hors ligne.
A challenge where 100 builders used Jev and Fable 5.1 to create a post scheduler, highlighting Jev's speed.
Ce projet présente une audience dynamique composée de 100 personnalités simulées répondant individuellement aux entrées de l'utilisateur. Il illustre l'utilisation de Jev pour gérer des interactions complexes et individuelles au sein d'un environnement d'audience synthétique à grande échelle.
Ce projet explore l'utilité de Jev en tant que cadre d'évaluation automatisé. Il démontre une méthodologie pour utiliser Jev afin d'évaluer les sorties de modèles, offrant une approche structurée permettant aux chercheurs d'implémenter des analyses comparatives dans leurs propres flux de travail.
Ce projet propose une implémentation de Tetris en temps réel où des agents basés sur Jev s'affrontent contre d'autres modèles d'IA. Il illustre l'intégration de la logique de jeu et l'interaction multi-agents dans un environnement compétitif.
JEVLAB ARTCette ressource démontre l'utilisation de Jev pour un support de coaching en temps réel. Elle montre comment l'outil aide les utilisateurs à détecter et à corriger les erreurs ou les incohérences lors des sessions d'écriture pour améliorer la qualité.
Ce projet propose un conseil d'IA TypeSafe ludique composé de douze membres. Il illustre un processus décisionnel interactif permettant aux utilisateurs de visualiser des votes animés et d'inspecter les justifications fournies pour chaque verdict rendu.
Ce projet propose un proxy Neon Function pour la passerelle Neon AI. Il démontre l'implémentation du routage Jev avec typage sécurisé pour gérer les requêtes de services IA dans un environnement de développement structuré et fiable.
Ce dépôt fournit un cadre pour découvrir, concevoir et évaluer les boucles de décision TypeSafe Jev. Il sert d'outil de recherche pour les développeurs souhaitant structurer et valider des processus de prise de décision automatisés au sein de l'écosystème Jev.
Ce projet propose un MCP de navigateur basé sur Jev pour les agents LLM. Il illustre une méthode d'interaction sans utiliser de jetons LLM pour la prise de décision, le créateur revendiquant des temps de réponse d'environ 300ms.