What people are building with Jev

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

Marcus Lowe

@marcus_lowe

what if copy/paste was smart? powered by @typesafeai jev it feels like every computer interaction will get rewritten

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 ↓

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

Wayne Nilsen

@waynenilsen

Jev to unslop Jev as 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。

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

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.

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

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👇

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。

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)

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。

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。

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

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。

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

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。

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

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.

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。

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.

Min(building Moss, hiring now)

@zeroxmin

Great article from Hrishi! So despite all the hype, JEV is a great observer for agent runs (progress, time/cost-to-finish, trace labeling), but not a security gate, and not yet a laziness detector. Still sounds good to plan JEV into our roadmap and explore some use cases for onchain agents!

kou

@zeetakou

今、GPT Live APIを使って作っているテレアポ用のAIに、Jevを組み込んでみています。どの判断を任せると一番活きるのか、実際に動かしながら検証中です。 僕ら、AI研修だけやってると思われがちなんですが、実はこういう開発もかなりやってます。リストと営業シナリオを設定するとAIが自動で電話をかけ、見込みがある相手だけ担当者に転送。通話結果や要約、会話ログも残せます。 ここにJevを入れて、「この相手は見込みがあるか」「今、担当者につなぐべきか」「再架電するなら優先度はどれくらいか」といった判断を任せたい。電話中や通話後に何度も発生する細かい判断とは、かなり相性がよさそう。 研修で教えるだけじゃなく、自分たちでも毎日作って試してます。日々研究。こういうのが一番楽しい

yuri

@yurinakanishi33

昨日のJevハッカソンで発表した「Jevを使った俳句生成」について訂正があります。 発表では「JevのChoiceで、ひらがなを1文字ずつ生成している」と説明しましたが、間違いでした。 実際には、季語・名詞・助詞・動詞・副詞・結びの定型句などの単語をコード側であらかじめ用意し、それらを組み合わせて5音・7音の完成行候補まで先に作っていました。 Choiceに渡していたのは、その時点の文字列から、いずれかの完成行に到達できる「次の1文字」だけです。 さらに、候補が1つならコードで確定。複数ならChoiceが返した確率の上位3候補を再正規化し、コード側でもう一度抽選していました。そのため、Choiceが選んだ文字を必ず使っていたわけでもありません。 つまり、単語や文章の道筋をコード側で先に用意したうえで、Choiceが返した確率を使ってコード側で分岐する実装でした。申し訳ありません。 添付動画は、コード側で用意していた語彙と単語のつながりに関する制約を外した版です。残した制約は、5・7・5の区切りと、使用できる文字を1字1音として扱える73字に限定する文字種制限だけです。 毎回、ここまでの句、季節・状況・気分などの文脈、残りの音数、73字すべてをChoiceに渡しています。Choiceが返した全73候補の確率をコード側で再正規化し、その確率を重みに次の1字を抽選。これを17回繰り返しています。 結果は......全くできていませんねw #aimeetup

云析

@yunxi0623

分享个很火的 skill： typesafe-ai Skill 👇 安装命令：npx skills add typesafe-ai/skills --skill typesafe-ai 可以直接 让 Codex 理解 TypeSafe / Jev 的调用方式 它最有意思的地方，不是让 Jev 替 Codex 写代码，而是把代码里的“判断题”交给 Jev 不过注意它不是装完就会自动接管 Codex 的所有决策，你需要在 Prompt 或代码里明确哪些判断交给 TypeSafe

Nitor

@yuntian9999

这几天 X 上一直刷到 Jev。 最反常的一点是：它根本不写字。 TypeSafe AI 把 Jev 定义成第一款公开的 “System One Model”： 你给它一段状态 + 几个明确问题，它不生成长文，而是直接返回选择、评分、概率和置信度。 官方价格： $0.042 / 100万输入 tokens，输出免费。 TypeSafe 还声称，在它针对 System One 任务的工作流里，Jev 可以做到 20–200× 更快、40–400× 更便宜。 注意，这是厂商自己的特定任务测试，不是“全面吊打 GPT”。 所以我觉得它不是 GPT / Claude 的替代品。 更像是给 Agent 加一个“判断层”： GPT / Claude 写和规划 → Jev 判断 / 路由 → 代码执行 真正值得看的不是又一个新模型。 而是 AI 开始分工了。

中平 裕貴

@yukix2000

Jev（文章を書かず、判断だけを返すAI）をゲームに組み込んだら面白いのでは？と思った。 2048とFlappy Birdを、2体のボットが横並びで遊ぶ観戦画面を作った。 ところが、Jevは一度も呼んでいない。 2048は全手を試して点数化する。 Flappy Birdは次の隙間を見て、飛ぶか待つか決める。 これだけで普通に動いた。 Jevの使いどころを探す実験で、先に「Jevを使わなくていい場所」が見つかった。 今回は、ルールで書ける判断にAIを入れる必要がなかった。 次は、ルールで書きにくい日本語の仕分けで試す。

よたん

@yo_ta_n

Difyで作った身内用LINE Bot。家族だけはLINE ID判定して自宅のライトやエアコン操作がチャットから行えるように対応できた。極力コストを減らすため分類器はJev、チャット応答はLunaを選択。#Dify #Jev #ChatGPT #LINE

Youssef 🚜

@yelkhayami

the natural endpoint of coding agents is adhd maxxing while my other agents are working i’ve been building a nintendo ds game with gpt-6 astra, fable 5.1 and jev today i added perry the platypus so he can push you off a ledge side quests are getting out of hand

DaBin.Binah

@yedabinbinah

JEV语音控制mac，指令刚说完，任务就执行完成了，这个模型泛决策能力很强，效率极高 JEV目前是申请制，所以大家先去申请，用不用再说 申请链接：typesafe.ai #JEV

Xuan (Billy) Zhang

@xzhang_billy

Can #Jev really control embodied robots? @Anno_YanzheChen showed ShowHarness in #VLA. @Vanzllll told me: as DoF scales toward humanoids, discrete actions may struggle, while continuous policies scale better with #diffusion. Without AR, how do we model cause and effect? #Robotics

Vincent.seo

@xunaoo

Jev 가 우리 로직을 대체할 수 있을까요? 아닙니다. 대체가 아니라 로직 안으로 들어앉습니다. 제 브라우저 에이전트에 붙여 봤습니다. 판단 한 단계가 2초에서 0.2초, 모델 호출이 열 번에서 두 번. 그런데 정확도는 6%p 낮습니다.

abdullah a | مبرمج

@xooox888

للمبرمجين 👨‍💻✨ Jev من TypeSafe AI يقدم فكرة مختلفة عن نماذج الذكاء الاصطناعي المعتادة. بدل التركيز على المحادثات وتوليد النصوص، تم تصميمه لمساعدة التطبيقات على اتخاذ قرارات واضحة وسريعة داخل النظام ⚙️🤖 مناسب للمهام المتكررة مثل التصنيف، التوجيه، والأتمتة.

WTR

@wtry1102

話題のJev。 いまいちよくわかってなかったので Astra君に解説ショート動画をつくってもらった なるほど・・・なるほど🙄

野中健吾

@winebaizou

これ見て、さらにJevで3Dキャラの表情まで動かしてみた。 話しかけると顔と体で反応するし、YouTubeを一緒に見ると表情が変わる。 jev-character.winebaizou.workers.dev

wellback000

@wellback000

用jev 玩俄罗斯方块。 #jev #AI

Frit🅾️ Pendej🅾️

@vwapster

I think Jev and Laya were the missing pieces to algorithmic trading. Sure you can hardcode gates and adjust variables, but being able to add a real time decision maker within your algorith is a game changer. I can smell and taste an early retirement.

Frit🅾️ Pendej🅾️

@vwapster

Jev usage on 1 trading bot. It's cheap but this is going to add up fast. @deepseek_ai please help and release something similar for free.

Frit🅾️ Pendej🅾️

@vwapster

Grok bot + Jev + Laya. Self improving and auto calibrating Kalshi Solana trading bot. Still on paper. Looks promising.

Vintuxai

@vintuxai

Stop settling for mediocre AI outputs. 🤖 Introducing slop-grader: The new Jev-AI CLI tool designed to audit text against your specific rulesets. It’s time to take control of the "slop." 🛠️ Here is the breakdown 🧵 #AITools #ProductivityAI

恒星sun

@vintcessun

如果分类结果最终要喂给业务系统，生成一段 JSON 往往不是最省事的路径。Simple Jev 把开放模型变成结构化决策接口。 https://github.com/featherless-ai/simple-jev 它复用共享上下文的 KV cache，只读取各问题候选标签的下一 token logits，再由服务端组装 choice、score 和真值判断。省掉逐 token 解码与 JSON 解析，多问题场景更有价值；common 目录还把提示契约和评分逻辑抽成可复用层。适合路由、审核、打分，但准确率与校准仍需按任务验证。

VertrAI

@vertr_ai

The useful engineering lesson is the async split: planning can continue while Jev selects the next action. That makes sense without assuming it proves AGI. We explain the roles using this demo in our 105-second video: x.com/vertr_ai/statu…

VertrAI

@vertr_ai

The small-LLM fallback for typing is an important detail: Jev chooses actions, while text generation stays with an LLM. We featured your 1x demo, with credit, in our short explainer of that division of labor: x.com/vertr_ai/statu…

VertrAI

@vertr_ai

154ms vs 860ms is a useful routing result, scoped to these 200 synthetic classification cases—not a blanket ChatGPT comparison. We credited your latency and cost charts in our Jev video, alongside the game/browser demos: x.com/vertr_ai/statu…

VertrAI

@vertr_ai

ChatGPT thinks through the plan. Jev helps pick the next move. ⚡ Minecraft, browser automation, speed and cost—Jev explained in under 2 minutes. 👇 Featuring demos by @rronak_ and @gregpr07, benchmarks from @OpenRouter, and Jev by @typesafeai. #Jev #AI

Vadim Choi

@vadimchoi

$10k/month just to decide which agent should answer. not to answer. to decide. group chat + @mentions: fast, cheap, terrible UX. an LLM orchestrator: nice UX, 4-7s and $0.00046 a message. @typesafeai jev: 0.29s median, $0.00002. same decision, $20/month.

Utkarsh Upadhyay ⚒️

@utk2103

just shipped jev-studio v0.2.0 @typesafeai Jev in one pip install - MCP tools for Choice / Noul / Score - `jev` CLI now with dry-run provenance - ready-made prompt libraries + slash commands for every cookbook - Claude Code + Codex plugin manifests pip install jev-studio

Ayush Jain

@urayushjain

Most AI models are built to generate. But Jev is trying something different: Don’t generate. Decide. Give it some context and a specific question, and it returns a structured decision with a probability. I found this interesting for things like model routing, agent workflows, tool safety and RAG. The idea is simple --Instead of calling a big LLM for every small decision, let your code handle the workflow and use a smaller model where human-like judgment is actually needed. Honestly, this feels like an interesting direction for AI systems.

梅澤 寛太｜Web・業務システム開発

@umezawakanta13

Jev×マリオ風1-1、検証途中の録画です。最初の敵に接触してミス。回避補助の導入前の映像です。 別試行はブラウザ往復中央値976.8ms（5応答）。純粋な推論時間ではありません。 検証記事：zenn.dev/kanta13jp1/art… 体験：my-web-app-b67f4.web.app/jev-mario-lab