THE JEV GUIDE · CURATED EDITION
Launch News, Erklärungen, Demos und Community Projekte rund um TypeSafe Jev, nach Themen geordnet. Jeder Eintrag verweist auf die Quelle bei X.
Kuratierte Auswahl · Nicht vollständig · Manuell aktualisiert
Sponsors
Diese Produkte finanzieren das Verzeichnis. Ihres auch hier?
pplx-decider v1.1 erreichte 643 von 669 bei klinischen Entscheidungstests und übertraf damit Jevs 628, bei 42 % geringeren Kosten pro Entscheidung und ähnlicher Geschwindigkeit. Die Gewichte sind herunterladbar und können im Krankenhaus ausgeführt werden.
Mr Vu gibt einen Einblick in eine länderübergreifende Medikamentensuche, bei der JEV die Suche plant und EmbeddingGemma 2 für Embeddings sorgt.
Dieser Beitrag zeigt Kosten- und Geschwindigkeitsdaten von Jev und anderen Modellen für klinische Entscheidungsaufgaben, vergleicht die Gesamtkosten von 9 APIs und merkt an, dass das schnellste lokale 3-GB-Modell in 284 ms antwortet.
In der Demo warten 20 Patienten auf 3 Ärzte und 3 Räume. Wenn ein Raum frei wird, wählt Jev (TypeSafe Choice) den nächsten Patienten aus, zuerst nach dem schwersten ESI-Level, bei Gleichstand nach früherer Ankunft.
Ein Radiologie-Assistenzarzt hat mit Jev von TypeSafe JevRad (nur zu Bildungszwecken) erstellt. Nach der Beschreibung eines Patienten wählt Jev in 0,5 s das ACR-Szenario aus und empfiehlt die geeignetsten Bildgebungsuntersuchungen. Link
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Udit Akhouri hat Mores Research angekündigt, ein Labor, das Verhaltensklassifikatoren wie Jev von TypeSafe AI nutzt, um langfristiges Echtzeit-Verhaltensabsichts-Mapping für pädiatrische psychische Gesundheit durchzuführen.
OpenMed testete vier fiktive medizinische Notizen: Jev erzielte 16/16, Laya 13/16; bei Medikationskonflikt-Fragen 4/4 vs. 2/4. Der Autor betont, dass dies ein nützliches Diagnosewerkzeug ist, keine klinische Genauigkeitsschätzung.
Ali Madad präsentierte auf einer Pflegeforschungskonferenz in Utah givecareapps InvisibleBench, das mit Jev von TypeSafe AI neu aufgebaut wurde.
Das Jev-Modell demonstriert das Lesen von CT-Scans, möglicherweise für die medizinische Bildanalyse.
Ein Nutzer testete Jev auf dem medizinischen QA-Benchmark igakuQA: 2.000 Fragen in etwa 80 Sekunden für 0,04 $ gelöst; die reine Textgenauigkeit lag bei 88,6 % und damit auf GPT-4o-Niveau; Confidence-Schwellenwerte verbesserten die Genauigkeit weiter.
Inspiriert von Jev und der Open-Source-Community wandelt MedJev klinische Freitextnotizen in strukturierte Felder um und läuft auf Consumer-GPUs.
Der Beitrag erklärt, dass Jev kein weiterer Chatbot ist, sondern auswählt, bewertet und weiterleitet, während ein LLM entwirft, zusammenfasst und konversiert. In einer Klinik übernimmt das LLM die Sprache, Jev prüft oder leitet die Ausgabe weiter, und das Personal behält die Kontrolle.
