GitHubGames and real time
typesafe-jev-dojo
A graphical dojo: routing, Tetris, swarms and a gauntlet.
LaFollett Labs
0Updated Oct 3, 2026
What people are building with Jev
Projects, posts and guides about Jev, the System One model from TypeSafe AI. Each entry links to its source and shows the cost and speed its author reported.
- 756builds
- 164guides
- 21use cases
Diogo Almeida
@CompleteSkeptic
After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI? I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev • 20-200x faster • 40-400x cheaper (w/ output tokens free) • Frontier composable intelligence optimized for decisions AFAICT the shortest path to AI-based economic revolution
Matt Van Horn
@mvanhorn
WTF is Jev by @typesafeai? Here’s the tl;dr ELI5: Think AI multiple choice, not AI essay writing. It doesn’t chat. It makes decisions your software can act on: “Spam or not?” “Which tool should this agent use?” “Does this need a human?” The exciting part: roughly 200x faster and 400x cheaper than frontier LLMs in TypeSafe’s own workflow benchmarks, with responses in a fraction of a second. Why that’s powerful: imagine an app or agent making hundreds of little judgment calls without hundreds of expensive, slow conversations with an LLM. Keep the big model for the hard thinking and writing. Use Jev for the rapid-fire decisions in between. Excited to dig in.
Guidex.com
Jev, explained like you’re five
Matt Van Horn: think AI multiple choice, not AI essay writing. Keep the big model for the hard thinking.
GitHubSales and leads
clay-jev-people-ranker
Lead scoring in Clay, ranked by Jev instead of a prompt.
PromptGTM
1GitHubTrading and markets
fedjev-bench
Does Jev hear a rate rise coming in an FOMC statement?
maybern-tripp-smith
0GitHubBenchmarks and evals
jev-acento
A pre-registered audit of how Jev handles Spanish.
Marcos Martinez
0
Isaac Flath
@isaac_flath
I've been using Jev by @typesafeai Here's the six things i've tried and am confident I'll still use Jev for 60 days from now. There's many more experiments, ideas, and things I think I will use it for. It's a big deal (more on why in next post). But I am only sharing things that I am 99% sure will lead to stuff I will still be using Jev for in 60 days. That means I started with small, boring, but useful, stuff. - Fact-checking my scripts - Ranking my news feed - Finding the right text in PDFs - Checking citations - Grouping my review notes - Figuring out why agents fail (eval over traces) https://isaacflath.com/writing/six-things-i-tried-with-jev
Guidex.com
Six things I will still use Jev for
Isaac Flath’s shortlist: fact-checking scripts, ranking a news feed, finding text in PDFs, checking citations, grouping notes, and evals over agent traces.
GitHubGames and real time
A leveling agent that gets cheaper as it runs
A guide-directed WoW agent designed to spend less the longer it plays.
chalkychalk42
0
Matthew Berman
@TheMattBerman
jev KILLED the focus group. it scrolled 723 ads as 30 buyer personalities 21,690 stop or scroll decisions. 22 cents. (will be avail in @StealAds + mcp)
Sabrina
@sabrinaesaquino
Jev is now live on the Venice API. Watch it classify 24,000 Hacker News posts into 12 categories in about 2 minutes
Kostas
@Kostastsale
This made me rethink where AI actually fits into security engineering. For purely engineering work, forget about ChatGPT or Claude. TypeSafe AI just released Jev, and I think it’s going to change how we build AI into security workflows. Instead of asking an LLM to “investigate this,” you define the questions and possible outputs, then get structured probabilities and decisions your code can actually use. For security, the possibilities are huge. Think of the below use cases 🤯: Threat Hunting: ➡️ Rank broad hunt results by relevance ➡️ Score users, hosts, processes, or sessions based on how suspicious their surrounding activity looks ➡️ Classify noisy activity at scale. Think thousands of rundll32.exe executions automatically grouped into expected admin activity, software execution, suspicious usage, or unknown Detection Engineering: → Classify historical alerts for FP analysis → Add context-aware scoring on top of deterministic detections → Validate whether an alert actually supports the behavior the rule claims to detect Incident Response: → Reduce massive timelines down to the events most relevant to the intrusion → Continuously score hosts/users for possible compromise → Help prioritize scope expansion, triage, and response decisions This feels much closer to how AI should be integrated into security engineering. I'm currently working through most of the above, mostly focusing on instant response, but at the same time doing some of the threat hunting use cases that I mentioned. Typesafe AI can be basically a decision engine sitting inside the workflow while being x200 fast and cheaper. Don’t sleep on this... This is huge! 👉 https://typesafe.ai/
Guidex.com
Jev for security engineering
Kostas on threat hunting with Jev: define the questions and outputs, then rank, score and classify activity at scale.
Marcus Lowe
@marcus_lowe
what if copy/paste was smart? powered by @typesafeai jev it feels like every computer interaction will get rewritten
XTools and apps
Copy and paste, with a decision in between
codila
@0xCodila
Jev + GrokBot is the best AI agent system I’ve built in my life It just made my setup CHEAPER and FASTER than what 95% of people are running... setup takes literally 7 minutes: prompt → GrokBot → Jev decision → GrokBot execution → result step 1 → open @typesafeai , create API key (keep it off chat paste) step 2 → tell Grok Bot: store TYPESAFE_API_KEY in the secure field step 3 → prompt Grok Bot: install typesafe-sdk on Agent Computer + smoke system_one (Choice) step 4 → tell Grok Bot: build the usage lab (router, dry-run, config, logs) - or clone Github below step 5 → add skill jev-usage-router: before browser / research / retry / extra bot → call the router, honor action step 6 → stay shadow first, read logs, then active when you trust it - kill switch: bypass jev or enabled: false step 7 → flip active: GrokBot obeys route - Jev decides - GrokBot executes - humans control irreversible actions the result: Jev + GrokBot the best and fastest agent running directly on your computer rn, I’ve already tested it on routine tasks - and the results are genuinely incredible You can come up with endless ways to use Jev + GrokBot - but the most important thing is to install it as soon as possible Copy this 2028 setup, explore my repo below - then read the full Jev deep dive ↓
XRouting and model choice
A usage router for Grok Bot
Charlie Hills
@charliejhills
Jev is blowing up right now. I made a list of the best things people are building with the Jev API: 1. jev-ultrafast — browser agent http://skills.sh/browser-use/jev-ultrafast 2. fast-jev-compaction — context compression http://skills.sh/tamaratran/fast-jev-compaction 3. json-render — generative UI http://skills.sh/vercel-labs/json-render 4. typesafe-mcp — plug into any client http://skills.sh/itsmostafa/typesafe-mcp 5. jev-mcp — judgment toolkit http://skills.sh/jkudish/jev-mcp 6. SemDecide — CLI classifier http://skills.sh/sharziki/semdecide 7. jev-codex-router — model routing http://skills.sh/0xNatoshi/jev-codex-router 8. Winnow — context garbage collection http://skills.sh/GhalebDweikat/winnow 9. jev-review — code review triage http://skills.sh/devagrawal09/jev-review 10. Blink — repo navigator http://skills.sh/ellipsis-dev/blink 11. agent-desktop — desktop automation http://skills.sh/lahfir/agent-desktop 12. typesafe-mario — plays Super Mario http://skills.sh/fhshaik/typesafe-mario 13. jev-drone — drone control http://skills.sh/RomanSlack/jev-drone 14. OneVOneJev — browser FPS http://skills.sh/emrickgarrett/OneVOneJev 15. jev-trader — HFT market making http://skills.sh/jarrodwatts/jev-trader 16. Prism — liquidity signal detection http://skills.sh/irfndi/prism-liquidity-agent 17. neo4jev — knowledge graph traversal http://skills.sh/jexp/neo4jev 18. jev-curate — training data screening http://skills.sh/AkashPriyadarshii/jev-curate 19. Canny — completion verification http://skills.sh/qkal/Canny 20. killmyidea — startup idea scoring http://skills.sh/monteduro/killmyidea
Jason Zhu
@GoSailGlobal
拿 Jev 做搜索重排，我先泼一盆冷水：单独用，它没打赢向量检索 TypeSafe 的 Jev 这阵子很火，一堆项目拿它做重排。我们在 Agent Skills Hub 的 33,047 条目录上认真测了一次，164 条中英文真实查询，9,831 对分级标注，整套只花了 2.6 美元 三个结论 01｜单独重排，约等于没赢 Jev 重排 bge-m3 的前 30 条，NDCG@10 只多了 0.012，置信区间跨过零。MRR 和前三命中率倒是涨得明显，它很会把最强的那一条顶到第一，后面几条基本是重新洗牌 02｜裁判偏差，被我们量出来了 Jev 自己也参与了打标注，这就是循环 只用 Jev 当裁判，它领先 0.053 两个裁判合并，领先 0.012 只用 Haiku 当裁判，反而落后 0.028 同一组比较，换个裁判结论直接翻面。所有涉及 Jev 的结论，我们只认 Haiku 那一列 03｜真正稳赢的是融合 把 Jev 和 bge-m3 的排序做 RRF 融合，NDCG@10 到 0.864，比纯向量高 0.064 到 0.116，三种裁判下都成立。代价是每次查询多一次 API 调用，约 0.0002 美元 顺便暴露了我们自己的问题：Hub 线上 CLI 用的关键词排序只有 0.609，短板是召回。相关结果有一半压根没进候选，后面怎么重排都救不回来 数据、标注、每条查询的得分全部开源，不用 API key 就能复现打分
Guidex.com
Jev as a reranker: an honest negative
Jason Zhu tested Jev reranking on 164 real queries. Alone it did not clearly beat vector search; fused with it, it did. In Chinese.
Wayne Nilsen
@waynenilsen
Jev to unslop Jev as slop linter
XSocial feeds
Jev as a slop linter
Tomohisa Ota
@toowitter
Jevを試すなかでいろいろ気づいた点をルールベースに落とし込んだunawair v3エンジン、外気温への応答がかなり改善してる。 AIにわかるように自然言語でいろいろ説明して、ルールも簡略化していった結果、普通にルールベースで書けてしまうというオチ。
XRobotics and devices
unawair v3, a rule engine after Jev
Anand Prasad
@theanandprasad
you can turn any low-cost open-source LLM into a Jev like fast decision model without training it. Here's how to do it: An LLM doesn't write text directly. At every step it scores every word in its vocabulary for how likely that word is to come next, and then it picks one. Those scores are called logits. Suppose you want to know whether a customer email is angry. The usual way is to ask the model, wait while it writes a paragraph, and then try to pull a yes or no out of the response. The trick is to never let it write anything. Give it the email content and the question, and end your prompt with "Answer:". Your full prompt will look something like this: [ Message: "Third time I've contacted you. Still broken." Is this customer angry? Answer yes or no only. Answer: ] The model reads the prompt once and scores every possible next word. You look at two of those scores. "yes" scores 8.1 "no" scores 5.9 Convert those two scores into probabilities and you get 90% yes and 10% no. (Use softmax function -- google it) Your code then uses that number directly. If it's above 0.8, escalate the ticket. Congrats, you have created your own Jev! Here’s why it works: 1. It's fast. Reading a prompt happens in one parallel pass. Writing is the slow part because the model writes one word at a time. Here the model never writes. 2. It's cheap. Output tokens are the expensive ones, and this produces none. 3. There's nothing to parse. You always get a fixed output, and never a paragraph. 4. You get a confidence level along with the answer. A 0.55 means the case should go to a human or a bigger model. A 0.98 means you can act on it. I tried running the code on llama 3.3 70b (via openrouter) and the accuracy was 21/22 (95%). Cost per query: $0.000013, latency: ~500ms
XOpen source
Jev-like decisions from open LLMs
Jiayuan (JY) Zhang
@jiayuan_jy
一些关于 Jev (@typesafeai) 的 notes 研究了一天 Jev，带来的新鲜感迅速回落，这好像就是一个更快的通用分类器/决策器，LLM 完全可以做到。 而且因为不了解模型背后的参数规模（应该不会很大），世界知识可能不一定有常规 LLM 那么全，在这种情况下，它的复杂场景的决策结果是不是真的准还是要打一个问号的。 在一些有限解空间 + 低延迟要求的问题上，Jev 可能是一个很好的方向，加上形式化输出从程序上保证了正确性。 一个最常见的场景就是 Computer Use，太适合 Jev 了，网页的 Dom 元素是一个有限集，完全可以让 Jev 来做操作，这里面的 loop 相当于是 dom list -> jev action -> new dom list 这样的循环，但是这里 Jev 的推理能力和长上下文情况下的 computer use 效果如何还不清楚，目前还没有看到 benchmark（直观判断肯定是不如 GPT 6 Astra 的，但是速度太快了）。 昨天有尝试把 Pi Agent 中间的一些模块用 Jev 来重写一下，发现可以优化的地方不是特别多，tool using 部分的选择还是不能用 Jev 来代替，因为这不是一个有限集（每一步 tool using 实际上带了很多参数，比如 edit tool，会有具体的 lines 等参数，这部分是需要模型推理出来的，没有办法提前加到 Jev 的决策列表中），但是有一些地方是可以的，比如说 Compaction，可以让 Jev 快速做分类器（LLM 也能做，这里面差异化不太大）。 另外一类场景是依赖决策树逻辑的，例如： - 游戏 AI - 机器人 - 自动驾驶 而且这些场景对实时性要求比较高，传统的 LLM 来做这些事情的一个很大问题就是太慢了（plus 很大一部分场景是缺乏数据来训练的）。 目前正在做的两个 demo： 1. Poker AI，Poker 非常适合这个场景，而且决策树非常长 + 复杂，正在用 Jev 和其他模型做对抗式 battle。（btw 传统的 GTO Wizard 用来做训练实在是太难用了） 2. Pokemon VGC AI，这是严肃的宝可梦双打对战，有世界锦标赛的那种，每个赛季都有对应的规则，因为数据很全，所以非常适合用来研究 AI 的决策，plus 之前竟然没有一个很好的用来个人训练的 AI（这个做完了打算用这个 AI 实际在 Pokemon Champion 排位赛里用一下）。 这两个 demo 场景都是偏回合制的，其实用 LLM 也能做。
Guidex.com
Day-one notes from a skeptic, in Chinese
Jiayuan Zhang: a faster classifier that an LLM can also be, but a good fit for computer use, games and robotics where the options are known.
Clawby
@openclawby
Clawby 更新： 1. 资产评级: 技术面 / 流动性 / 情绪 / 风险四个快变维度由 Jev（TypeSafe System One 决策模型）每 10 分钟按最新行情与资金流重评，亚秒级校准打分。并且基于clawby的skills + claudecode 完成每周的定时分析报告，设计到前100非稳定币的主流币种。 2. 趋势分析：六个时间框架 × 五个指标，逐一与 BTC 对照。使用Jev System One决策模型，每分钟都进行分析打分，找到所有的独立信号。 3. 交易信号：覆盖meme，加密二级市场和美股三个板块。每分钟通过Jev模型进行快速分析，找到买入，卖出和观望信号。 4. 资金流：市值前 100 的币，主动买入减去主动卖出，8 家交易所聚合、13 个时间窗口——钱在进哪里，又从哪里出。 5. 链上市场：聚合了FOMO接口，对CA和钱包进行快速的深度分析，相当于一个链上快速检测工具。 https://app.openclawby.com/
Wahiduzzaman Hridoy
@hridoy43
Built a stock market scoring and decision engine and invested for the first time! 🚀 It includes portfolio-aware suggestions. Used @typesafeai's JEV for non-mathematical data analysis. Open to the following positions btw. 👨💻 Senior Front-end | Product | Mobile (RN) Engineer.
XTrading and markets
A stock scoring engine, on a first investment
ギガビット@ゲームつくるひと
@gigabit_million
これGoogle検索でいいのではと思いながら作ってたけど、Chrome拡張機能でJevで意図で検索できるの作ってる人がかなりいたみたいでJevはGoogle検索より良いケースあるみたい。Jevのユースケースとして良いやつだった
Jason Zhu
@GoSailGlobal
一个只会做选择题的小模型，能长出多少玩法？ TypeSafe 的 Jev 就是这么个东西：给它最多 255 个选项，几百毫秒挑一个，再附一个校准过的置信度，输出 token 免费 结果开发者们已经拿它做出了 19 个开源项目，加起来 6800 多星 挑几个最有意思的 jev-ultrafast，browser-use 出品，2700 星，一句 slogan：i. am. speed. openjev，想在家里一张 3090 上跑出类似 Jev 的东西，925 星 fast-jev-compaction，替换 Claude Code 的上下文压缩，每次工具调用逐条打分，过期的丢，留下的原文保留 typesafe-computer-use，操控 Mac 每一步只要 0.0002 美元 jev-router，在 Claude Code 里按任务自动路由到最便宜的模型 pg-jev，Postgres 扩展，用大白话查表 还有人拿它打超级马里奥、在 MuJoCo 里以 2.5Hz 开无人机 我们在 Agent Skills Hub 把这 19 个放进了一张对比页，星数、语言、协议、质量分一张表看完，每 8 小时按 GitHub 实时数据重算 两个提醒： 1️⃣ 19 个都过了 Hub 的基础规则扫描，但那是规则扫描不是人工审计，装之前还是看一眼代码 2️⃣ 另外有 4 个项目没写开源协议，拿去商用前先确认
Guidex.com
19 open-source Jev projects
Jason Zhu’s roundup of 19 open-source Jev projects with about 6,800 stars between them. In Chinese.
げま｜個人開発
@gemama0
Jevでノートの自動タグ付けシステムを作った🎉 Obsidian使っている人はぜひ👇
XSearch
Automatic note tagging
大伟｜AI × Web3
@david1989_zhu
这条新闻最值得警惕的，不是“24小时覆盖Vercel约13%的付费团队”，而是把覆盖率直接当成产品价值。按报道，Jev不写文本，只做判断；这类产品切中的，是开发流程里高频、重复的决策节点。 我没参与Jev落地，下面是基于团队交付经验的判断。当时看到这个数字，我原来会先问：模型到底有多强？后来逐渐发现，团队持续付费更看重一件事：它能否稳定减少人工审核和返工，而不是演示时答得多漂亮。 现在我会先定清决策边界、误判后的回退方式和单次调用成本，再看它是否进入关键链路。“覆盖”来得快是好信号，但留得住、算得过账，才是商业闭环。
XBenchmarks and evals
Coverage is not product value
amVT
@cruzex100
This is pretty good.. My smoke test earlier: Accuracy: Jev 0.727 Soft accuracy: Jev 0.580 · Laya 0.471 Calibration (ECE, lower is better): Jev 0.144 · Laya 0.213 Latency: Jev ~710ms · Laya ~30-40ms Cost per decision: Jev ~$0.0004 (API) · Laya ~$0 (self-hosted)
Moritz Kremb
@moritzkremb
All of the coolest Jev projects I could find on X today 🧵
Guidex.com
The coolest Jev projects on X
Moritz Kremb’s thread of the best Jev projects he found on X in one day.
Ramarao Kadiyala
@broadrangeAI
Reviewing Jev: fast, structured decisions for AI workflows. Vendor figures: 70–500 ms, $0.042/M input tokens, $0 output. My takeaway: pair low-cost decisions with clear controls and measurable outcomes. Full post: linkedin.com/posts/activity… #AIEngineering #BroadrangeAI
BlanPlan
@blanplan
jev 真的火，确实有一些场景可以用得上。所以我真实跑了一下它的一个比较火的场景，操控浏览器，在我们给AI员工提供的云机上真实跑。github.com/browser-use/je… 结论自己看看。
XAgents and browsers
Browser control on a cloud machine
佐藤 裕二／さいたまのWEB広告運用者
@Ysato_su04
これができたら衝撃的。 JevがMeta広告ライブラリから長く回っている勝ちパターンを自動抽出、Google検索語句まで分析して不要クエリ除外、LPとのズレまでスコアリングしてくれる。調査から改善まで一気通貫で、人が何時間もかけていた工程を3ドル未満で済ませるのは衝撃的。 広告運用者として実務で感じるのは、クリエイティブ疲れやオーディエンス重複の見落としがROAS低下の主因になること。 このツールなら仮説立案が高速化され、PDCAが30倍速になる可能性大。
XAds and marketing
Winning patterns out of the Meta Ad Library
小墨同学
@xiaomovps
Jev 发布没几天，开源社区已经开始疯狂复刻了🔥 最值得推荐的五个模型： 1、Laya 421M：原生决策模型，支持 Mac 2、Decider-2B：最像 Jev，基于 Qwen3.5 3、NanoJev 0.6B：专门的 Decision Head 4、Reflex：Qwen3.5 + Direct Logits 5、System-One 4B：专门做概率校准 如果和我一样是苹果的芯片，我推荐： Laya 和 Reflex 下一步我准备选两个在本地运行 然后测试一下和Jev的差距
Guidex.com
Five open Jev replicas, in Chinese
小墨同学 on Laya 421M, Decider-2B, NanoJev 0.6B, Reflex and System-One 4B, and which run best on Apple silicon.
Versun
@VersunPan
刚看了下这个jev wechat项目，模型是用 jev + deepseek 通过 Android 无障碍服务读取App 的节点树，兜底是用截图 + 本地 OCR 上下文只有最近 10 条消息 微信能监测到，有封号危险
XAgents and browsers
WeChat automation with Jev and DeepSeek
蝎女kk
@StingCloudLab
Jev加GPT-6 Astra做了个无唤醒词、按语境再开口的助手Demo，这个交互设计很关键。唤醒词是语音助手最反人类的设计之一，能自然插话才是真助手。但无唤醒词意味着一直监听，隐私问题怎么解决，Demo估计没说。
XRobotics and devices
A voice assistant with no wake word
さよ☆マギカ
@MajoSayo
I wanted Jev-style decisions with my own models, so I built LogJev. Text, images or audio in; choices/scores from logprobs. Node + Python, agent skills, cloud or local (requires modality + logprobs support). 2048 demo: github.com/DumoeDss/logjev
XOpen source
LogJev
思维怪怪
@0xLogicrw
Jev 这个 waitlist 还是很给力的，昨天申请，今天就能用上。 给已经拿到 API、但还不知道怎么玩的人整理了一份 Awesome Jev，目前我能确认到的 Jev 项目基本都在这里： 1. jev-ultrafast Browser Use 做的高速浏览器 Agent。Jev 负责每一步判断「做什么、点哪个元素」，需要输入文字时才调用小模型。Google Flights 搜航班完整跑完约 7.1 秒。 https://github.com/browser-use/jev-ultrafast 2. typesafe-mcp 把 Jev 直接接进 Claude Code、Claude Desktop 和 Codex。Agent 可以随时调用 Jev 做 Choice / Score / Noul 这类结构化判断。 https://github.com/itsmostafa/typesafe-mcp 3. jev-mcp 另一个更偏实用工具的 MCP，已经封装好事实核验、Prompt Injection 检测和语义排序。 https://github.com/jkudish/jev-mcp 4. SemDecide 把 Jev 做成 Unix 命令行工具，可以直接拿来做语义判断、分类、打分、过滤和 Guard。很适合塞进脚本、CI 和数据流水线。 https://github.com/sharziki/semdecide 5. Jev Codex Router 先让 Jev 判断每一轮编程任务有多难，再自动决定交给便宜模型还是更强模型。作者用 237 个真实 turn 回放，自测成本降低约 60%。 https://github.com/0xNatoshi/jev-codex-router 6. Winnow 给 Claude Code 做「上下文垃圾回收」。Read、Bash、Grep 输出太长时，先让 Jev 判断哪些内容真的跟当前任务有关，再决定哪些需要进上下文。 https://github.com/GhalebDweikat/winnow 7. Jev Review 用 Jev 做代码审查前置筛选，先判断 correctness、security、reliability、兼容性和测试风险，再把重点问题交给更重的模型处理。 https://github.com/devagrawal09/jev-review 8. Blink 用 Jev 在代码库里做语义寻路。每到一层目录，就判断哪些文件或文件夹最可能和问题有关，再把更多 walker 分配过去。 https://github.com/ellipsis-dev/blink 9. neo4jev 把同样的思路用到知识图谱。Jev 给每条候选边打概率，再用 beam search 一步步找到最可能的路径。 https://github.com/jexp/neo4jev 10. jev-desktop 把 Jev 接到桌面自动化里。它读取 Accessibility Tree，判断该操作哪个控件、执行什么动作，再交给本地执行器。 https://github.com/lahfir/agent-desktop 11. TypeSafe AI Playground 一个专门拿 Jev 做实验的 Rust CLI，已经做了 PHI 检测、代码注释审查、实时语气分析、职业和行业分类等玩法。 https://github.com/markjaquith/typesafe-ai-playground 12. Prism 目前我看到最接近量化/交易场景的项目。它让 Jev 判断流动性池的 toxic flow、市场压力、均值回归可能性和流动性分布方式，目前默认还是 shadow/advisory，不直接驱动交易。 https://github.com/irfndi/prism-liquidity-agent 13. 1v1 Jev 直接做了一个 FPS，让 Jev 大约 9Hz 判断移动、瞄准、ADS、开枪和跳跃。属于最直观展示 Jev 低延迟决策能力的项目之一。 https://github.com/emrickgarrett/OneVOneJev 14. TypeSafe on Neon 拿 Jev 做模型 Router。请求先由 Jev 判断属于哪种任务，再转给 Grok 4.6 或 GPT-6 Astra 等模型执行。 https://github.com/andrelandgraf/typesafe-on-neon 看完这些项目，你大概也知道 Jev 可以怎么玩了，就是拿它反复做「要不要、选哪个、打几分、下一步干什么」。 真正需要生成代码、写文章和复杂推理时，再把任务交给传统大模型。
Guidex.com
Awesome Jev, in Chinese
思维怪怪’s hand-checked list of early Jev projects, with a walkthrough of each.
Kenny Chen｜AI 实战
@KennyChinaTech
Jev 这个案例很适合小团队：2,300 篇 AI 论文，约 83 秒，成本 $0.14。 但这个数字不能直接当成 Jev 的单模型成本。旧标签先由 DeepSeek V4 Flash 跑过，真正该测的是整条分类链路：预处理、Jev 决策和人工抽检加起来还剩多少。 x.com/omarsar0/statu…
GOGOGO
@GodName794
第一版： 让Jev模型自己决定怎么走，显然Jev败北； 第二版： 算法优化 使用预判攻防筛选落子，再让Jev决定走哪一步，Jev最终打败了我！ 这次经历让我更清楚地看到：表现聪明，和做出可靠判断，是两件需要分别验证的事。 我怎么看 AI？ AI 很擅长从复杂信息里提取规律，在信息不完整、要求不够明确时给出判断。但它给出了选择，甚至给出了很高的概率，都不等于它已经算清楚后果。 这盘五子棋就是一个例子：Jev 能选择落点，却没有独立证明自己看到了所有关键反击。给它补上试走和检查，整个系统才更可靠。所以评价 AI，应该看它在具体条件下做对了什么，而不能只看它说得多像专家。 我怎么看算法？ 算法是把判断方法明确写下来：先检查什么、遇到什么情况怎么办、怎样验证结果。 我们这套程序的优势，是能重复、稳定地执行这些步骤，还能给出可核验的杀棋路线。但它的局限也很清楚：搜索只覆盖有限范围，评分规则是人为设定的，候选筛选也可能漏掉好棋。 另外，AI 本身也是由算法实现的。这里真正的区别，是“人为明确写下的规则与搜索”，和“通过训练学到的判断”。 由此能得出 Jev 擅长什么？ 这次实际验证的是：Jev 能接收棋盘、候选和战术描述，快速返回一个明确选择及概率分布。 因此，它适合充当软件里的“候选判断环节”，把描述性信息转成程序可以直接使用的选择。 但我们还没有证明： Jev 擅长独立进行多步博弈； 它比程序直接选最高分更强； 它给出的概率能准确预测胜负。 所以，我会把它定位为可嵌入程序的判断组件。它到底增加了多少价值，需要通过“有它”和“没有它”的对照来衡量。那次赢棋，是整个系统的成果，不能全算在 Jev 头上。 对于 AI 和人，最有启发的是什么？ 第一，好判断往往来自好的检查过程。人也会只看到眼前收益，忽略下一步反击。重要决定前，多问一句“如果对方这样回应，我怎么办”，常常比增加信心更有用。 第二，把能算清楚的部分交给计算，把尚不确定的部分明确留下来。 不要因为一部分经过验证，就把整个结论都当成确定。 第三，工具的价值要靠比较，而不是靠名气。 如果去掉 Jev，效果一样甚至更好，就应该承认；如果它能改善选择，也应该用结果说明。 对人而言，最值得保留的角色，是确定目标、选择取舍、检查证据，并承担决定。AI 可以扩大我们考虑问题的范围，但判断“什么才值得做”，仍需要人的参与。
XGames and real time
Chess, once free and once filtered
AYi
@AYi_AInotes
你是不是也在推特收藏了上千个书签，最后只存不看， 开发者 Alex 用jev解决了这个痛点， 他刚上线的这个工具 Margin, 算是真正把你的书签收藏救活了， 以往尝试用传统大模型做个人书签检索, 体验几乎是灾难级的: 把几百条推文全文丢给大模型或者向量库, 每次搜一句话要在云端等上半分钟, 还要硬烧几块钱的调用费, 根本没人愿意天天用。 而接入专做强类型决策的 Jev 之后, 整个检索逻辑彻底被掀翻了。 你只要用扩展把这几年积攒的书签一键导出导入工具, 接下来直接用最口语化的人话去搜, 比如问它有哪些关于冷启动获客的实操技巧。 系统完全不需要自回归逐字生成废话, 而是由底层的决策小脑以单条几十毫秒的速度在后台做并行打分。 短短几秒钟之内, 上百条沉睡了几年的推文被挨个计算出匹配置信度, 界面带着进度条瞬间弹出一份按相关性精准排序的推文清单, 甚至把每条内容到底契合在哪用数字标得清清楚楚。 百万 Token 只要四分钱且输出免单的机制, 让这种以往极度奢侈的遍历打分, 变成了一次只需要花几分钱的日常微小操作。 真正好用的知识库从来不是逼着人类自己去建复杂的分类文件夹, 而是把检索成本压低到可以肆无忌惮地用自然语言反复提问。 以前是把好内容随手扔进黑洞当个数字囤积狂, 从今天起是用毫秒级的决策神经随时把冷数据捞出来变成生产力。 https://x.com/alexchristou_/status/2101674202361221376/video/1
XSearch
Margin, bookmark search
StudioYebisu
@studio_yebisu
やぁ！兄弟たち！ Jevに関するGitHubの実用性と発展性がありそうなリポジトリをまとめたよ！ やはり、高速判断を要するComputerUseや完全自動トレードなんかに対しての活用が多い印象だね！ Jevは公式のウェイトリストも1日ほどで承認されるけど、待たなくてもVercel AI GatewayからModel: typesafe-ai/jevで直接呼び出せるってさ！ このGrok翻訳っぽい文章はわざわざタイピングしてるゾ！ 1. browser-use/jev-ultrafast Jevがブラウザ自動操作と対象要素を選び、文字入力時のみ小型LLMを使うブラウザエージェント。 https://github.com/browser-use/jev-ultrafast 2. TheoLeeCJ/openjev TypeSafe公式の非公開モデルを再現したものではなく、オープンモデルで同じ入出力パターンを試す独立プロジェクト。ローカルGPUで動かせます。 https://github.com/TheoLeeCJ/openjev 3. vinnylarouge/jevlike 変化するテキスト候補から1つを選ぶJev-likeモデルを、自前データで学習する独立プロジェクト。TypeSafe公式モデルではありません。※使い物にはならないが面白い試み https://github.com/vinnylarouge/jevlike 4. jarrodwatts/jev-trader Monad上のKuru MON-USDCを対象に、Jevで売買判断を行うトレードbot。デフォルトはdry-run/mock動作で、収益性を証明・保証するものではありません。 https://github.com/jarrodwatts/jev-trader 5. Anil-matcha/awesome-jev-by-typesafe TypeSafe Jevの使い方、パターン、プロンプト、スターターコード、事例などを集めたコミュニティのまとめ。 https://github.com/Anil-matcha/awesome-jev-by-typesafe 6. awlevin/typesafe-computer-use 画面をOCRで読み取り、次のクリック操作をTypeSafe/Jevで選ぶMac向けのcomputer-use実装。 https://github.com/awlevin/typesafe-computer-use 7. devagrawal09/jev-review Git diffやコードベースを段階的に検査し、正確性・安全性・信頼性・互換性・テストリスクを構造化して表示するコードレビューworkflow。 https://github.com/devagrawal09/jev-review 8. gargpratyush/jev-router Claude CodeやOpenAI Codexのターンごとに、簡単な作業を速いモデル、難しい作業を強いモデルへ振り分けるルーター。 https://github.com/gargpratyush/jev-router 9. vlad-terin/jev-browser 既存のブラウザ自動操作ツールにJevを組み込み、連続的な観測・操作・検証ループで対象要素を選ぶ非公式runtime/skill。 https://github.com/vlad-terin/jev-browser 10. droidrun/mobile-jev 実機のAndroid端末をJevで操作するモバイルエージェント。ライブ操作デモ、CLI、実行トレースを含みます。 https://github.com/droidrun/mobile-jev
Guidex.com
Jev repositories worth a look, in Japanese
StudioYebisu’s roundup of GitHub repositories, mostly computer use and automated trading.
zre
@zrebroia
Jev lleva toda tu operación de marketing de anuncios por menos de 3$. → Escanea cada anuncio activo de la competencia y lo etiqueta por hook, formato y tasa de supervivencia → 430 anuncios leídos por segundo. 0,6$ gastados.
Zohaib Tanwir
@zohaibtanwir
Jev is incredible - built an email classifier that is capable of classifying 50 emails in under 2 secs. That too, when Jev is hosted in us-west, and I am in India. Idea credit - @ryanvogel @typesafeai #Jev
Zhilin Wang
@zhilinjerrywag
#Jev made one thing very clear: Not every AI model needs to generate. Some models should just make really good decisions. So we’re cooking Mev at @metix_ai , a recruiting-native decision model built around job-candidate matching, ranking, and hiring signals. Jev → Mev. More soon.
XBenchmarks and evals
Not every model needs to generate
Guidegithub.com
awesome-typesafe
Official resources and community projects for TypeSafe, System One models and Jev.
nocoo
@zhengli
Jev 学费还是要付的，刚开始觉得，每次请求这么便宜，每个月 $5 妥妥够用，一个真实任务下来就教做人：好好研究官方 skill，学会如何正确使用 state 和按分组问问题。
XBenchmarks and evals
Five dollars a month was not enough
Yujie Zha
@zhayujie
Had CowAgent build a batch ticket analysis tool on Jev. Jev doesn't generate text. You send content and typed questions, it returns classifications, scores and booleans, each with a probability distribution. One call per ticket, 7 judgments, ~500ms.
