hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/raw/other/2026-09-19_jev-flyer-kombi-revolution.md
Hector b0762c9734 ingest(other): jev-flyer 'kombi-revolution' + zahlenpruefung gegen anbieter-limits 
- raw: flyer-struktur, imgur-bilder, zahlenpruefung (0,09s vs $0,15 unvereinbar; 181x nicht ableitbar; 85% quote; pdf-extraktion als fremdschritt)
- wiki: jev-praxis-demos (abschnitt dateisortierung mit rechentabelle)
- index 228. update + log
2026-09-19 14:51:18 +02:00

5.3 KiB
Raw Blame History

type: other source_url: https://telegra.ph/Jev--Die-Kombi-Revolution-09-19-10 retrieved: 2026-09-19 title: "Pit Weber: „Jev — Die Kombi-Revolution" (Telegraph-Flyer)" author: "Pit Weber (@PWeber), erstellt mit GrokBot & Sprachsteuerung" tags: [jev, typesafe-ai, flyer, kombi-revolution, dateisortierung, eigenmessung, zahlenkritik, ome]

Pit Weber: „Jev — Die Kombi-Revolution" (Flyer, 19.09.2026)

Quelle

  • URL: https://telegra.ph/Jev--Die-Kombi-Revolution-09-19-10
  • Veröffentlicht: 2026-09-19T12:43:54 UTC (Seitenangabe „September 19, 2026"), abgerufen 19.09.2026 12:49 UTC (HTTP 200, 13.885 Byte)
  • Autor: Pit Weber (Kai, @PWeber) — im Begleitpost im OME-Topic „JEV" vermerkt: „Erstellt mit GrokBot & Sprachsteuerung"
  • Bilder: vier imgur-Dateien — z2spswX.jpeg (Chaos vorher), psQS9AV.jpeg (sortiert nachher), AxRG7xK.jpeg (Vergleichsgrafik LLM vs. Jev), T5tbLmE.jpeg (Balkenvergleich Stufe 2)

Inhalt (Struktur, 9 Abschnitte)

  1. Was ist Jev? „Dein Assistent am Computer … nicht als Plauder-Chat, sondern als hyperschneller Entscheider. Du gibst das Ziel vor. Jev handelt." Kernformel: „Die große KI denkt nach. Jev entscheidet und lenkt in Millisekunden."
  2. Video-Empfehlung: Matthew Berman, „We need to talk about Jev…" (https://www.youtube.com/watch?v=2z-7pIj57f8) mit Hinweis auf deutsche Untertitel/Auto-Übersetzung.
  3. Was Berman zeigt: Jev als Entscheidungsmodell, trainiert auf kalibrierte Entscheidungen, „in einer Schleife, die für normale LLMs zu eng wäre"; Schichten statt „ein Modell für alles".
  4. Die Kombi-Revolution: Große KI versteht/plant/formuliert — Jev filtert/entscheidet/handelt; „nicht Jev allein".
  5. Dokumente-Live-Test: 304 echte Objekte in einem Dokumente-Ordner, danach in 8 Ordner (7 Kategorien + _Archiv) sortiert. Vorher-/Nachher-Bilder, Dateinamen anonymisiert.
  6. „Validierter Vergleich": LLM-Weg 0,48 / 6,8 Minuten — Jev-Weg 0,15 / 0,09 Sekunden, ausgewiesen als „181-mal schneller. Gleiches Sortierziel. Selbst gemessen."
  7. Stufe 2 — Echte Inhaltsprüfung: 400 PDFs geöffnet, 340 davon inhaltlich klassifiziert; LLM-Weg 400 PDFs „→ 60 Cent und 9 Minuten" gegen Jev-Weg „~1,1–1,2 Minuten". Selbstkorrektur im Text: „Ehrlich: Der Live-Lauf mit 304 Items in 0,09 Sekunden war Namens-/Format-Heuristik. Die Inhaltsprüfung ist der dokumentierte Upgrade-Pfad."
  8. Ausblick: Robotik & Autonomie, Support & Betrieb, Industrie & Logistik, Produkt-Workflows.
  9. Nächster Schritt: Video ansehen; Erwartung, dass „Jeff" (Jev) „bald in den meisten agentischen Systemen" verfügbar und benutzbar sein wird.

Zahlenprüfung (eigene Rechnung, 19.09.2026)

Grundlage: Anbieter-Angaben aus raw/other/2026-09-18_typesafe-docs-jev-spezifikation.md — $0,042/Mtok Input, Rate Limit 250.000 Token/Sekunde.

a) Die beiden Jev-Werte passen nicht zusammen.

Angabe Ableitung Widerspruch
0,09 s Dauer max. 22.500 Token in dieser Zeit → Kosten ≈ $0,00095 —
$0,15 Kosten entsprechen 3,57 Mio. Input-Token → Mindestdauer bei 250k tok/s ≈ 14,3 s Faktor ~159 gegenüber 0,09 s

Die beiden Zahlen können nicht denselben Lauf beschreiben. Zusätzlicher Hinweis: 0,09 s erlauben höchstens ~74 Token pro Datei — das ist die Größenordnung von Dateinamen, nicht von Inhalten. Die eigene Einschränkung des Flyers („Namens-/Format-Heuristik") ist damit von den Anbieter-Limits her gestützt. Die $0,15 gehören dagegen zu einem Lauf, in dem tatsächlich Text bewegt wurde.

b) Die „181-mal schneller" folgen aus keinem der genannten Werte.

  • Zeitverhältnis aus den genannten Zahlen: 408 s / 0,09 s = rund 4.533×
  • Kostenverhältnis: 0,48 / 0,15 = 3,2×
  • Keine Kombination der im Flyer genannten Zahlen ergibt 181. Für 181× müsste der Vergleichslauf 2,25 s gedauert haben — dieser Wert kommt im Flyer nicht vor.

c) Stufe 2 nennt zusätzlich eine Qualitätszahl, die als solche nicht ausgewiesen ist.

340 von 400 PDFs „erfolgreich inhaltlich klassifiziert" = 85 % Erfolgsquote, 60 Dokumente ohne Klassifikation. Das ist eine Aussage über Trefferquote, nicht über Tempo — und sie steht in einem Absatz, der Tempo verkauft.

d) Der PDF-Schritt ist architektonisch nicht Jevs Schritt.

Jev nimmt laut Anbieter-Doku nur Text entgegen (String, JSON-Objekt oder Array; keine Bild-, Audio- oder Video-Eingabe). „400 PDFs geöffnen, Text extrahieren, 340 klassifizieren" enthält damit einen Fremdschritt: Öffnen und Textextraktion können nicht von Jev kommen. Bei 1,2 Minuten für 400 Dateien — 0,18 s pro PDF — liegt die Laufzeit praktisch vollständig in dieser Extraktions- und Dateizugriffsschicht; Jevs Klassifikation ist daran gemessen zu vernachlässigen.

Offene Punkte

  • ⚠️ Alle Messwerte sind Eigenmessungen ohne Aufbau, Rohdaten oder Wiederholung; ein Vergleichslauf gegen einen LLM-Weg ist nicht dokumentiert.
  • ⚠️ Unklar, ob $0,15 die Jev-Kosten allein oder die Gesamtkosten des Ablaufs (inkl. Extraktion) bezeichnen — die Auflösung würde den Widerspruch in (a) erklären.
  • ⚠️ Der Ausblick (Integration „in den meisten agentischen Systemen") ist Prognose, kein Befund.
  • Die Dateinamen auf den Bildern sind laut Flyer anonymisiert; eine Nachprüfung der 304 Objekte ist von außen nicht möglich.