Markdown సంచిక

AI-translated from English; not yet reviewed by a fluent editor.

# Jev ప్రదర్శనలు రోజువారీ సాఫ్ట్‌వేర్‌లో AI నిర్ణయాల స్థానాన్ని చూపిస్తాయి

> Jevకు చెందిన ఎనిమిది డెమోలు, టైప్ చేసిన AI నిర్ణయం ఇప్పటికే ఉన్న యాప్‌లో ఎలా ర్యాంక్ చేయగలదో, ఎంచుకోగలదో లేదా వడపోయగలదో చూపిస్తాయి. మిగతా సాఫ్ట్‌వేర్ ఇంకా ఏం చేస్తుంది, ఏ అంశాలు పరీక్షించబడలేదు అనేది మేం పరిశీలించాం.

By BIG CHANGE Editorial

Published: 2026-09-24T22:47:28.571Z
Updated: 2026-09-24T22:47:28.571Z
Canonical: https://bigchange.ai/blog/jev-demos-ai-decisions-everyday-software

![Charcoal illustration of a desktop monitor showing a generic web article with one passage highlighted in orange.](https://bigchange.ai/api/media/file/jev-find-in-page-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

Matthew Berman సెప్టెంబర్ 24నాటి వీడియోలోని [ఎనిమిది ఉదాహరణలు](https://www.youtube.com/watch?v=jGD_UR4wMJc) TypeSafe AIకు చెందిన Jev మోడల్‌ను వెబ్‌పేజీ శుభ్రపరచడం, ఒక భాగాన్ని కనుగొనడం, inboxను క్రమబద్ధీకరించడం, interfaceలోని అంశాలు ఎంచుకోవడం వంటి పరిచయమైన పనుల్లో ఉపయోగించాయి. ఈ ప్రదర్శనలు వేర్వేరు రూపకర్తలవి. ఇన్‌పుట్‌ను సాఫ్ట్‌వేర్ సేకరించి, ఫలితంపై చర్య తీసుకునేటప్పుడు మోడల్‌కు పరిమితమైన తీర్పు అప్పగించడం వాటిలోని ఉమ్మడి విధానం.

కోడ్‌లో లేదా మరో మోడల్‌తో జరిగే పనిని, నిర్ణయం నుంచి వేరు చేసి చూస్తే ప్రతి క్లిప్ మరింత స్పష్టమవుతుంది. మోడల్ కాల్ చేసిన తప్పును వినియోగదారు ఎలా గమనిస్తారనేదీ ముఖ్యం. ఇవి ప్రదర్శనలు, ప్రారంభ దశ సాధనాలు మాత్రమే; వాటి కచ్చితత్వాన్ని లేదా రోజువారీ విశ్వసనీయతను BIG CHANGE స్వతంత్రంగా పరీక్షించలేదు.

## పెద్ద మార్పు

- **ఏం మారింది:** బ్రౌజర్ షార్ట్‌కట్‌ నుంచి inbox వీక్షణ వరకు, ఇప్పటికే ఉన్న సాఫ్ట్‌వేర్‌లో టైప్ చేసిన AI తీర్పును రూపకర్తలు చేర్చుతున్నారు. Jev ఒక ఎంపిక, స్కోరు లేదా సంభావ్యతను ఇస్తుంది; అభ్యర్థి సమాచారాన్ని సమకూర్చి, సమాధానంపై చర్య తీసుకునేది అప్లికేషన్.
- **ఇది ఎందుకు ముఖ్యం:** మొత్తం పనిని చాట్ ఇంటర్‌ఫేస్‌కు అప్పగించకుండా, చదివేటప్పుడు, వెతికేటప్పుడు లేదా క్రమబద్ధీకరించేటప్పుడు అవసరమైన నిర్ణయం తీసుకోవచ్చు. అదే రూపకల్పనలో తప్పు ర్యాంకింగ్‌, దాచిన కంటెంట్‌, అనుకోని చర్యలకు యాప్ యజమానులే బాధ్యత వహిస్తారు.
- **ఏమి గమనించాలి:** ఈ సాధనాలు సరైన వాక్యభాగాన్ని ఎంచుకుంటాయా, పేజీలోని ముఖ్య నియంత్రణలను కనిపించేలా ఉంచుతాయా, అవసరమైన మెయిల్‌కు మంచి ర్యాంక్ ఇస్తాయా, రోజువారీ వినియోగంలో అనిశ్చిత పరిస్థితులను ఎలా నిర్వహిస్తాయా అనేది పనిని బట్టి పరీక్షించాలి. వేగవంతమైన డెమో ఒక్కటే ఈ ప్రశ్నలకు సమాధానం ఇవ్వదు.

## పేజీ శుభ్రపరిచే సాధనం పనివిభజనను చూపిస్తుంది

[Kitze రూపొందించిన Unclutter బ్రౌజర్ ఎక్స్‌టెన్షన్](https://x.com/thekitze/status/2100595129874817340) అత్యంత స్పష్టమైన ఉదాహరణ. దాని [ప్రాజెక్ట్ README](https://github.com/kitze/unclutter) ప్రకారం, ఎక్స్‌టెన్షన్ పేజీలోని సాధ్యమైన అంశాలను వెలికితీసి, అవసరం లేనివి ఏవో Jevను అడుగుతుంది. ఆ తర్వాత బ్రౌజర్ కోడ్ వెనక్కి మార్చగల దాచే నియమాలను అమలు చేసి, వాటిని పేజీ నమూనా ప్రకారం భద్రపరుస్తుంది; మరోసారి మోడల్‌ను అడగకుండానే తిరిగి వర్తింపజేస్తుంది. వినియోగదారులు ఎక్స్‌టెన్షన్‌ను నిలిపివేయవచ్చు, ఒక అంశాన్ని కనిపించేలా ఉంచవచ్చు లేదా పేజీని మళ్లీ విశ్లేషించవచ్చు. కుకీ ఓవర్లేలను దాచవచ్చు; కానీ వినియోగదారు తరఫున Accept లేదా Reject నొక్కదు.

ఇది ముఖ్యమైన హద్దు. ఒక అంశం దృష్టి మరల్చేదని Jev తీర్పు చెప్పగలదు; కానీ దానికి బ్రౌజర్‌పై యాజమాన్యం లేదు, సమ్మతి ఎంపికలు చేయదు, నియమం ఎంతకాలం ఉండాలో నిర్ణయించదు. శుభ్రపరిచిన తర్వాత నావిగేషన్‌, అందుబాటు నియంత్రణలు, paywall నోటీసులు లేదా నిజమైన సమ్మతి ఎంపికలు పనిచేస్తున్నాయో ఆచరణాత్మక మూల్యాంకనం తనిఖీ చేయాలి. ప్రాజెక్ట్ source buildలు, వినియోగదారు సొంత API key అమరికను అందిస్తుంది; కానీ ఈ పొరపాట్లపై స్వతంత్ర వినియోగదారు అధ్యయనాన్ని README ఇవ్వదు.

ఈ [Jevతో రూపొందించిన వెబ్‌సైట్ గుర్తింపు సాధనం](https://madewithjev.com/free-tools/ai-slop-detector), Berman వీడియోలోని [3:29 నిమిషంలో చూపినది](https://www.youtube.com/watch?v=jGD_UR4wMJc&t=209s), వేరే ప్రక్రియను అనుసరిస్తుంది. దాని వివరణ ప్రకారం, బ్రౌజర్ కనిపించే శైలులను కొలుస్తుంది; DeepSeek V4 Flash స్క్రీన్‌షాట్‌లను వివరిస్తుంది; Jev కొన్ని లక్షణాల జాబితాతో డిజైన్‌, కాపీని అంచనా వేస్తుంది; ఆపై DeepSeek సంక్షిప్త తీర్పు రాస్తుంది. anthropic.com కోసం సైట్ 26% “slop” స్కోరును చూపిస్తుంది. అది ఆ సాధనం తన శైలి ప్రమాణాలతో లెక్కించిన స్కోరు. వీడియోలో Berman ఊహించినప్పటికీ, Anthropic సైట్‌లో ఎంత భాగం AIతో రాశారో ఇది నిర్ధారించదు.

## సమాచార ర్యాంకింగ్‌ వేరే రకమైన నిర్ణయం

[Jonathan Unikowski inbox ప్రదర్శన](https://x.com/jnnnthnn/status/2101399331115077760) వెనుక నుంచి ముందుకు కాలక్రమ క్రమాన్ని ప్రత్యక్ష ప్రాధాన్యత ర్యాంకింగ్‌తో భర్తీ చేయాలని సూచిస్తుంది. ఈ ఫీచర్ Avecకు “వస్తోంది” అని ఆయన పోస్ట్ చెబుతోంది. వాస్తవంగా వినియోగంలో ఉన్న inboxను, ప్రాధాన్యత నిర్వచనాన్ని లేదా అత్యవసర మెయిల్ మిస్సయ్యే ప్రమాదంపై స్వతంత్ర కొలమానాన్ని అది నమోదు చేయదు. మెయిల్‌ను తెచ్చి, క్రమంలో చూపించి, ఏదైనా archive చేయాలా, label పెట్టాలా, పంపాలా అని నిర్ణయించేది ఇప్పటికీ అప్లికేషనే; ప్రదర్శనలో Jev పాత్ర ప్రాధాన్యత కేటాయించడం.

[Shubham Saboo రూపొందించిన Needle ఎక్స్‌టెన్షన్](https://x.com/Saboo_Shubham_/status/2101576462042366114) తేడాను సులభంగా చూపిస్తుంది. పాఠకుడి ప్రశ్నతో పేజీలోని వాక్యభాగాలకు Jev స్కోరు ఇస్తుందని, ఎక్స్‌టెన్షన్ సరిపోలిన వచనాన్ని ఉన్నచోటే హైలైట్ చేస్తుందని Saboo చెప్పారు. ఆయన [వివరమైన వివరణ](https://www.linkedin.com/posts/shubhamsaboo_introducing-a-new-way-to-find-f-withtypesafe-activity-7507513455138979841-CY8S) ప్రకారం, Needle సమాధానం రాయదు: హైలైట్ చేసిన వాక్యం ఇప్పటికే పేజీలో ఉంటుంది. దీనితో find షార్ట్‌కట్ వెతకగల అంశాలు మారతాయి; అయినా హైలైట్ చేసిన వాక్యం తప్పు కావచ్చు. సరైన వాక్యభాగాలు తెలిసిన ప్రశ్నలతో, ఒకేలా కనిపించినా పరస్పర విరుద్ధమైన సమాచారం ఉన్న పేజీలతో పరీక్షించాలి.

[Burhan Usman వీడియో క్లిప్పుల పోస్ట్](https://x.com/BurhanUsman/status/2101641842441732297) 90 నిమిషాలకంటే ఎక్కువ నిడివిగల వీడియోలో ఒక అంశానికి సంబంధించిన క్లిప్పులను కనుగొన్నట్లు చెబుతుంది. [8:34 నిమిషం వద్ద ఉన్న వీడియో భాగంలో](https://www.youtube.com/watch?v=jGD_UR4wMJc&t=514s), వ్యవస్థ బహుశా ట్రాన్స్‌క్రిప్ట్‌ను ఉపయోగిస్తోందని Berman అంటారు; అది ఆయన అంచనా మాత్రమే, ప్రక్రియ ధృవీకరణ కాదు. Jevకు ఇచ్చే కచ్చితమైన ఇన్‌పుట్‌, దాని అవుట్‌పుట్‌ను పోస్ట్ చెప్పదు. క్లిప్పింగ్ అప్లికేషన్ మూల వీడియోను పొందాలి, సమయ హద్దులను గుర్తించాలి, డౌన్‌లోడ్ చేయగల క్లిప్పులను రూపొందించాలి. సమయం, ఖర్చు వివరాలు ఒక రూపకర్త నివేదిక మాత్రమే; ప్రచురించిన కచ్చితత్వ పరీక్ష లేదా మొదటి నుంచి చివరి వరకు చేసిన పనికి విడివిడి లెక్క లేదు.

## UI అమరికలో అప్లికేషన్‌కు మిగిలేది

[Chris Tate json-render ప్రయోగం](https://x.com/ctatedev/status/2101022101750571357) అప్లికేషన్ నిర్ణయించిన ఎంపికల నుంచి వినియోగదారు ఇంటర్‌ఫేస్‌ను అమర్చుతుంది. [Jev కోసం ప్రాజెక్ట్ పత్రాలు](https://github.com/vercel-labs/json-render/blob/main/apps/web/lib/jev/README.md) ఈ ప్రక్రియను స్పష్టంగా వివరిస్తాయి: Jev భాగాలు, లేఅవుట్ స్థానాలను ఎంచుకుంటుంది; కోడ్ స్పెసిఫికేషన్‌ను అమర్చి, ధృవీకరిస్తుంది; renderer దాన్ని చూపిస్తుంది. playgroundలో వ్యాపార సమాచారం కల్పితమైనది; వినియోగదారు చర్య తీసుకున్నప్పుడే action handlerలు పనిచేస్తాయి. కాబట్టి ఈ డెమో పరిమితమైన ఇంటర్‌ఫేస్‌ను అమర్చే మార్గాన్ని చూపుతుంది; మోడల్ స్వతంత్రంగా వెబ్‌సైట్‌ను రాసి, విడుదల చేస్తుందని కాదు.

రెండు సృజనాత్మక ఉదాహరణలు తక్కువ ప్రమాదం గల ఎంపికలను పరిశీలిస్తాయి. [Matt DesLauriers రంగుల ప్రయోగం](https://x.com/mattdesl/status/2100899669802963060) వచన promptలను దృశ్య డెమోలో రంగుల సమూహాలకు జతచేస్తుంది. [Stefan ఎమోజీ ప్రయోగం](https://x.com/heystefan_/status/2101369117496521042), [9:52 నిమిషంలో చూపినది](https://www.youtube.com/watch?v=jGD_UR4wMJc&t=592s), టైప్ చేసిన వచనానికి తగిన ఎమోజీలను ర్యాంక్ చేస్తుంది. రెండు సందర్భాల్లోనూ యాప్ ఎంపిక చేయగల దృశ్య అంశాలను చూపిస్తుంది. ఈ పోస్ట్‌లు పరస్పర చర్యల ఆలోచనలను చూపుతాయి; ఎంపికలు ఒక బ్రాండ్‌కు సరిపోతాయని, contrast ప్రమాణాలను తీరుస్తాయని లేదా వేర్వేరు భాషలు, సందర్భాల్లో పనిచేస్తాయని నిరూపించవు.

TypeSafe వారి [పత్రాలు](https://docs.typesafe.ai/introduction) ఈ ఉదాహరణల మధ్య పోలికను వివరిస్తాయి. Jev ఇచ్చిన state ఆధారంగా టైప్ చేసిన Choice, Score, yes/no ప్రశ్నలకు సమాధానమిస్తుంది. Choice, Score పంపిణీలు, confidence విలువను ఇస్తాయి; సాఫ్ట్‌వేర్ వాటిని తన నియమాల్లో ఉపయోగించగలదు. వాస్తవ పనిపై thresholdలను పరీక్షించాలని కంపెనీ [సూచిస్తోంది](https://docs.typesafe.ai/confidence); confidence ఫీల్డ్ ఒక్కటే స్వతంత్ర కచ్చితత్వ ఫలితం కాదు.

ఈ ఉదాహరణలు ఒక రూపకల్పన పద్ధతికి నమ్మదగిన కారణాన్ని చూపిస్తాయి: స్థిర నియమం సరిపోని చోట సాఫ్ట్‌వేర్ చిన్న, సరైన సమయంలో అడిగే ప్రశ్నను ఉపయోగించవచ్చు. నిర్దిష్ట సాధనం రోజువారీ పనిలో చోటు సంపాదిస్తుందా అనేది దాని పొరపాట్లు, అది ఏది బయటపెడుతుంది లేదా దాచుతుంది, తప్పు జరిగితే వినియోగదారులు ఎలా సరిదిద్దగలరు అన్నదానిపై ఆధారపడి ఉంటుంది. ఇవి మోడల్ నిర్ణయానికే పరిమితం కాని, మొత్తం workflow లక్షణాలు.

## Sources

- [Matthew Berman: మోసంలా అనిపించే 8 Jev వినియోగ సందర్భాలు](https://www.youtube.com/watch?v=jGD_UR4wMJc) — 10:38 నిమిషాల వీడియో వేర్వేరు రూపకర్తల ఎనిమిది డెమోలను ఎంపిక చేసింది. పూర్తి ఆంగ్ల ఆటో-క్యాప్షన్‌లు, అధ్యాయాల జాబితాను మేం పరిశీలించాం. 5:17–6:31 నిమిషాల Zapier భాగానికి స్పాన్సర్ ఉంది. ఈ వీడియో స్వతంత్ర ఉత్పత్తి ధ్రువీకరణ కాదు.
- [TypeSafe AI: System One మోడళ్లు, Jev పరిచయం](https://typesafe.ai/blog/introducing-system-one-models-and-jev) — నిర్మిత మోడల్ నిర్ణయాలపై అధికారిక ముందస్తు-ప్రవేశ ప్రకటన, వివరణ. పనితీరు ఫలితాలు పరిమితులను పేర్కొన్న కంపెనీ పరీక్షలవి; ఈ వ్యాసం వాటిని ఎనిమిది డెమోలకు ప్రమాణంగా ఉపయోగించదు.
- [TypeSafe AI: పరిచయం, Confidence పత్రాలు](https://docs.typesafe.ai/introduction) — Jev ఇన్‌పుట్ state, Choice, Score, Noul ప్రశ్న రకాలను వివరిస్తాయి. అనుబంధ confidence పేజీ ప్రకారం, Choice, Score confidence వాటి సమాధాన పంపిణీల నుంచి లెక్కించబడుతుంది; చర్యల thresholdలను వినియోగదారి పనిపై పరీక్షించాలి.
- [TypeSafe AI: Confidence](https://docs.typesafe.ai/confidence) — సమాధాన సంభావ్యతలు, వాటి నుంచి లెక్కించిన confidence, నిర్దిష్ట పనికి అనుగుణంగా నిర్ణయించే operational thresholds మధ్య తేడాను వివరిస్తుంది. ఈ వ్యాసంలోని ఏ డెమో కచ్చితత్వాన్నీ ఇది నిర్ధారించదు.
- [Made with Jev: AI Slop Detector](https://madewithjev.com/free-tools/ai-slop-detector) — సాధనం రూపకర్త వివరణ ప్రకారం, బ్రౌజర్ కొలతలు, DeepSeek స్క్రీన్‌షాట్ పరిశీలనలు, Jev తీర్పులు, వేరైన DeepSeek verdict ఉపయోగిస్తారు. anthropic.comకు వచ్చిన 26% ఉదాహరణ సైట్ శైలి ప్రమాణాల స్కోరు మాత్రమే; AI రచనకు ఆధారం కాదు.
- [Kitze: Unclutter ప్రకటన, source code](https://github.com/kitze/unclutter) — సాధ్యమైన అంశాలను Jevతో వర్గీకరించడం, వెనక్కి మార్చగల స్థానిక దాచే నియమాలు, template మళ్లీ ఉపయోగించడం, వినియోగదారు నియంత్రణలను అసలు రూపకర్త README వివరిస్తుంది. సెప్టెంబర్ 17 నాటి అసలు పోస్ట్ https://x.com/thekitze/status/2100595129874817340. స్వతంత్ర ప్రత్యక్ష వినియోగ మూల్యాంకనం లభించలేదు.
- [Jonathan Unikowski: Jev inbox ప్రాధాన్యత క్రమం](https://x.com/jnnnthnn/status/2101399331115077760) — రూపకర్త ప్రత్యక్ష ప్రాధాన్యత ర్యాంకింగ్‌ను చూపించి, Avecలో ఈ ఫీచర్ త్వరలో వస్తుందని చెబుతారు. ఇది డెమో, ప్రతిపాదిత విడుదలకు ఆధారం; వినియోగంలో ఉన్న inbox లేదా కొలిచిన ప్రాధాన్యత కచ్చితత్వానికి కాదు.
- [Shubham Saboo: Needleతో అర్థ ఆధారిత పేజీ శోధన](https://x.com/Saboo_Shubham_/status/2101576462042366114) — రూపకర్త open-source Chrome ఎక్స్‌టెన్షన్‌ను చూపించారు. Jev ఇప్పటికే ఉన్న పేజీ వాక్యభాగాలకు స్కోరు ఇస్తుందని, కొత్త సమాధానం రూపొందించకుండా వాటినే ఎక్స్‌టెన్షన్ హైలైట్ చేస్తుందని ఆయన విస్తృత LinkedIn వివరణ చెబుతుంది; స్వతంత్ర సమాచార-శోధన మూల్యాంకనం లేదు.
- [Chris Tate: json-render, Jev ప్రయోగం](https://github.com/vercel-labs/json-render/blob/main/apps/web/lib/jev/README.md) — Jev యాప్ నిర్ణయించిన UI ఎంపికల నుంచి ఎంచుకుంటుందని, కోడ్ స్పెసిఫికేషన్‌ను అమర్చి ధృవీకరిస్తుందని, renderer దాన్ని చూపిస్తుందని ప్రాజెక్ట్ పత్రాలు చెబుతున్నాయి. అసలు సెప్టెంబర్ 18 డెమో పోస్ట్ https://x.com/ctatedev/status/2101022101750571357. Playground సమాచారం కల్పితమైనది.
- [Burhan Usman: అంశం ఆధారిత వీడియో క్లిప్పింగ్ డెమో](https://x.com/BurhanUsman/status/2101641842441732297) — 90 నిమిషాలకంటే ఎక్కువ నిడివిగల వీడియోను అంశం వారీగా క్లిప్ చేసినట్లు రూపకర్త నివేదిస్తారు. పూర్తి ప్రక్రియ, ధృవీకరించిన సమయ హద్దులు లేదా క్లిప్ కచ్చితత్వం గురించి పోస్ట్ వెల్లడించదు; ట్రాన్స్‌క్రిప్ట్‌ ఆధారమనే Berman వివరణ ఆయన వీడియోలోని ఊహ మాత్రమే.
- [Matt DesLauriers: Jev రంగుల ప్రయోగం](https://x.com/mattdesl/status/2100899669802963060) — అసలు దృశ్య ప్రయోగం వచనాన్ని రంగుల సమూహాలతో జతచేస్తుంది. ఇది సృజనాత్మక డెమోకు ఆధారం; ఉత్పత్తి డిజైన్‌కు సరిపోతుందని లేదా accessibility ప్రమాణాలను తీరుస్తుందని కాదు.
- [Stefan: Jev ఎమోజీ ప్రయోగం](https://x.com/heystefan_/status/2101369117496521042) — అసలు పోస్ట్, Berman వీడియోలోని 9:52 భాగం టైప్ చేసిన వచనానికి ఎమోజీలను ఎంచుకోవడాన్ని చూపిస్తాయి. వినియోగ సౌలభ్యం లేదా బహుభాషా మూల్యాంకనం లేదు.