用Jev构建主动回忆学习应用
开发者在个人学习应用中使用Jev模型来分类和评分自己的回答,并结合主动回忆和间隔重复等神经科学方法,以提升学习效果。
THE JEV GUIDE · CURATED EDITION
TypeSafe Jev 的发布、原理、演示与社区实践,按主题整理。每条内容都可回到 X 原帖核对。
人工精选 · 非全量收录 · 手动更新
Sponsors
这些产品赞助了本目录。 把你的产品放上来
开发者在个人学习应用中使用Jev模型来分类和评分自己的回答,并结合主动回忆和间隔重复等神经科学方法,以提升学习效果。
这是一份Jev模型的学习路线图,从Jev与传统LLM的区别、决策模型与生成模型的差异,到System One概念与机器原生智能,帮助学习者建立扎实的心智模型。
Doug Turnbull宣布今年最后一期课程将于周一开始,重点讲解RAG,并引入Jev作为LLM评判工具。
作者在Silver Week期间试用Jev,通过vibe coding方式开发了英语会话应用,并使用了Eleven v4生成自然语音。面向想提升英语会话动力的人。
这是一个用于练习系统设计面试的白板工具,用户可选择题目并拖拽AWS/Azure组件进行架构设计,实时容量模型会展示组件支持的用户数,最后由Jev像面试官一样为设计打分。
信息流里每 16 张、每一页都有一张。每周 $50,任意一周可停。
Platzi 推出 Jev 模型课程,由 Freddy Vega 和 Juan Pablo Rojas 主讲,介绍 TypeSafe 的 Jev——一个不能对话但能快速决策的 AI 模型。 链接
Marc Watkins 使用 Sonnet 5.5 和 Jev 重现模拟城市的灾难事件(UFO、哥斯拉、怪物)。每个角色会根据群体反应做出战斗、逃跑或僵住的决定,学生可使用免费层进行创作。
作者发现了一个Jev的实用场景:向用户推荐合适的课程,并帮助他们找到适合练习的对话内容。
创作者使用Gemini 3.8 Flash和Jev,为每个单词匹配动作和表情符号,并通过情感化语音合成帮助学习。
简短介绍指出,Jev能一次性无修正输出内容,并认为这将对e-learning产生重大影响。
用户自制的输入式一问一答应用,使用Jev处理大量表记揺れ,效果满意。用于准备12月的基本信息技术与信息安全管理考试。
JEV每5秒分析下一5秒内容,结合前60秒上下文,从相关性、有用性、重要性、可记忆性和可操作性五个维度对片段进行评分。
在 GitHub 点 Star,支持我们继续收集和整理 Jev 案例。