Jev ai 가 뭐길래 이리 난리일까? | TypeSafe 개발 어디에 어떻게 쓰며 단점 한계는?

Jev는 뭔지: 글을 안 쓰는 판단 AI

핵심 포인트 — 뭔지
한 줄: Jev는 글을 쓰지 않는 AI 판단기다. 「이 중 뭐야」(Choice), 「어느 정도야」(Score), 「맞아?」(Noul)처럼 코드가 바로 if로 쓸 답과 확률만 돌려준다.
TypeSafe의 판단 전용 모델이다. ChatGPT처럼 글을 쓰지 않고, 소프트웨어 if에 붙일 답과 확률만 준다.

한 줄 흐름
자료나 LLM 초안을 넣는다 → Jev가 확률로 갈래·통과·확신만 찍는다 → 코드가 LLM(작성·요약)·자동·사람 중 어디로 보낼지 정한다. 정리·작성은 LLM, 판단은 Jev.

이럴 때 잘 맞는다 (닫힌 선택·게이트·라우팅)
- A냐 B냐: 환불 vs 교환, 승인 vs 반려, 낮 vs 밤 톤
- 셋 이상 갈래: 티켓을 환불 / 재예약 / 안내로 나누기
- 후보 고르기: 제목·훅·이미지 프롬프트 N개 중 통과 top-k
- 온도계: 화남·긴급도·관련성을 Score로 재고, 임계값 넘기면 사람 큐
- 예/아니오 게이트: 「스팸이냐」, 「환불 요청이냐」, 「이 문장이 출처를 지지하냐」(Noul)
- 게임·시뮬: NPC가 싸울까/도망갈까, 퀘스트 A/B 분기, 난이도 상향 여부처럼 상태만 보고 다음 행동 고르기
- 에이전트 앞단: 도구 호출 전에 의도·위험만 빠르게 가르기

이럴 때 안 쓴다 (자세한 한계는 후반)
답장·대본·코드 생성, 합계·날짜 계산, 이미지 픽셀 판정. 긴 전략 설명이나 「최선 경로를 짜 줘」 같은 뭉뚱그린 질문도 비권장이다.

ChatGPT·Claude처럼 대화하거나 답장·코드를 생성하는 모델이 아니다. 입력(이메일 본문, 티켓, 후보 목록 같은 state)을 넣고, 미리 정해 둔 출력 스키마에 맞춰 확률 있는 결정만 받는다. TypeSafe docs는 이를 System One이라 부르며, 이름 유래는 대니얼 카너먼 Thinking, Fast and Slow의 System 1(빠르고 직관적인 판단)이다. 홈 서술은 RLCD(Reinforcement Learning for Calibrated Decisions)를 내세운다.

소프트웨어를 「if 결정의 연속」으로 보면 Jev의 자리가 분명해진다. 분류·라우팅·점수·랭킹·가드레일처럼 닫힌 갈래가 핵심인 자리에는 맞고, 문장·이메일·코드·단계적 추론 설명을 써야 하는 자리에는 맞지 않는다. 후자는 generative LLM(또는 사람)이 맡고, Jev는 그 앞이나 뒤에서 갈래만 가른다.

청구서 사기 같은 예시를 영상들이 자주 든다. LLM은 문장 토큰을 이어 붙여 「이 청구서는…」를 쓰고, Jev는 fraud/clean/review 같은 닫힌 갈래와 확률만 찍는다(대본 그래픽 수치·시간은 제품 벤치가 아니다).

어떻게 동작하나: Choice·Score·Noul과 스펙

누가 만들었나. Diogo Almeida(@CompleteSkeptic)는 TypeSafe AI 창업자·CEO다. 본인 소개와 출시 영상 자막 기준으로 OpenAI에서 ChatGPT·RLHF 계열 작업에 참여한 뒤, 약 2년간 스텔스로 RLCD(Reinforcement Learning for Calibrated Decisions)와 System One 계열 결정 모델 Jev를 만들었다고 밝혔다. 조사일 기준 X 팔로워는 약 11만 명대다.

출시 포스트(2026-09-15)에서는 「초인적 채팅 모델이 왜 AGI로 이어지지 않았는가」라는 질문에서 출발했다고 적는다. Jev를 결정에 최적화된 frontier composable intelligence로 소개하고, 20~200배 빠르고 40~400배 싸다, 출력 토큰은 무료라고 적는다. 이 배수·혁명 프레이밍은 출시 마케팅이다. 제품 가격·한도의 정본은 아래 공식 Models 표와 docs다.

X 영상은 사이트에서 YouTube처럼 iframe으로 붙지 않아, 위 스크린샷과 원문 링크로 둔다. 영상 길이는 약 2분 56초다.

System One은 state를 평가하고 typed answers와 probabilities를 반환한다. 캘리브레이션은 예측 집단에 대해 최적화되며, 개별 답이 항상 맞다는 보장은 없다. docs는 「지식이 있는 사람이 1초 만에 내릴 판단」을 좋은 질문으로 두고, 「분석해서 최선 경로를 정해 달라」 같은 뭉뚱그린 질문을 피하라고 한다. 복합 판단은 원자 질문으로 쪼갠 뒤 코드에서 가중한다.

같은 state에 질문을 여러 개 보내면 병렬 평가된다. 질문 토큰만 추가로 들고, 한 요청에 Choice, Score, Noul을 섞을 수 있다. 「항상 세 개를 동시에」라는 영상 단순화와 달리, 공식은 필요한 질문만 여러 개 보내라고 한다. Noul에는 별도 confidence 필드가 없으므로, 임계값은 noul 값 자체로 잡는다. Choice의 yes 확률과 Noul을 동일시하지 말라고 jaggedness도 경고한다.

공식 스펙 (조사일 기준)

OpenRouter 카드는 조사일 기준 컨텍스트 32K, 가격 $0.042/M in·$0/M out, 출시 Sep 18, 2026, Latency P50 약 0.19~0.20초로 적힌다. docs의 64k/32k와 표기가 어긋날 수 있으니 배포 전 양쪽을 확인한다. 호출은 TypeSafe SDK/HTTP 또는 OpenRouter slug typesafe/jev-1.13, 영상에서 언급된 Vercel AI Gateway 경로도 있다(대본: 약간 비쌀 수 있음).

LLM structured JSON과의 차이

LLM structured output은 「문장을 쓰되 형식을 맞추라」에 가깝고, Jev는 「형식이 곧 답」이다. 그래서 에이전트 루프에서 try/catch로 JSON을 고치는 비용을 줄이려는 팀이 Jev를 앞단에 둔다. 반대로 답장, 대본, 코드가 필요하면 LLM이 본체이고 Jev는 게이트다.

바이브 코딩·에이전트 패턴

바이브 코딩 에이전트 루프에서는 보통 앞단에 둔다. 도구 호출 전 의도·위험을 가르고, LLM 후보만 남기며, 관련 문단만 짧게 넘긴다. confidence가 높으면 자동, 낮으면 사람이나 더 느린 LLM으로 넘기는 패턴이 docs 권고에 가깝다.

대표 6패턴은 이렇다.

1. Router + Writer: 입력 → Jev Choice → 분기 → LLM 생성(의도 라우팅).
2. Writer + Judge: LLM 초안/후보 → Jev Score/Choice → 채택, 재작성(제목, 훅 데모).
3. Guard then Act: 에이전트 tool 제안 → Jev Noul → 코드 실행/차단.
4. Short context: 후보 검색 → Jev 관련성 → 짧은 컨텍스트만 LLM(메모리 축소 데모와 같은 축).
5. Fan-out: 한 요청에 질문 다수(카테고리, 스팸, 답장 필요를 동시).
6. Confidence gate: 자동 / 사람 / 더 큰 LLM 삼분.

질문 설계 팁을 docs 톤으로 옮기면 이렇다. 「이 메일이 스팸인가?」(Noul), 「어느 팀으로 보낼까? 옵션: A/B/C」(Choice), 「긴급도는? 낮음/보통/긴급」(Score)처럼 한 호흡에 답할 수 있는 원자 질문이 좋다. 「이 케이스를 분석해서 최선의 고객 여정을 설계해 달라」처럼 생성, 기획이 섞인 질문은 System One 자리이 아니다. 같은 state에 스팸 Noul, 카테고리 Choice, 긴급 Score를 한 번에 보내 fan-out하면, 왕복 횟수와 프롬프트 중복을 줄일 수 있다.

홈과 런치 대본의 「can't hallucinate / like code」류 문구는 마케팅이다. 운영에서는 confidence, noul 임계값과 사람 에스컬레이션을 기본값으로 두고, jaggedness에 적힌 산술, 날짜, 생성 금지를 코드 리뷰 체크리스트에 넣는 편이 안전하다.

홈 마케팅은 System One 워크플로 기준 193.6배 빠르고 444.6배 싸다고 적고, 예시로 TypeSafe 쪽 0.114초, 0.000081달러와 LLM 쪽 8.566초, 0.013880달러를 나란히 둔다. 「238x Lower input price than Claude Fable 5.1」 문구도 홈에 있다. 이 배수는 벤치 리포트 전문이 공개된 표가 아니라 홈 proof 문구이므로 제품 정의, 공식 Models 표와 분리한다. 「Zero Hallucinations」는 매 결정에 confidence가 붙는다는 프레이밍이지, 오답 불가가 아니다.

어디에 어떻게 쓰나

아래 영상은 「Jev가 뭔지 / 어디에 붙이면 되는지」를 데모 중심으로 풀어 준다. 이메일 분류, 리드 스코어, 라우팅, 클립 고르기, 브라우저 유즈 같은 쓰는 자리를 먼저 보고, 한계는 다음 장에서 묶는다.

같은 축의 다른 데모 영상이다. 500통 메일 분류, 스캠 Noul, 중요도 Score, 그리고 입력에 따라 nano/균형/프론티어 LLM을 고르는 모델 라우터를 보여 준다. Choice, Score, Noul을 UI에서 추가하며 돌리는 흐름이 「스키마만 정하면 된다」는 감각을 잡기 좋다.

이메일, 인박스, 리드, 라우터 (영상 데모, 라벨 주의)

이메일, 인박스. 메일 객체(제목, 본문, 발신자)를 state로 넣고, 카테고리(Choice), 우선순위(Score 또는 Choice), 스팸 정도(Noul/Score), 답장 필요 여부(Noul)를 한 요청에 여러 질문으로 묻는다. 사용법 영상(4mTLpuQpB80) 화자가 든 데모 주장은 약 1,700통, 입력 토큰 수백만 단위(약 4.2M in / 500k out), 비용 약 0.18달러다. 공식 벤치가 아니라 영상 실측 주장이므로 그대로 제품 스펙으로 인용하지 않는다. o1CogAtWdBk 쪽에서는 500통 분류, 파이 차트, 브랜드딜 Noul, 스캠 Noul, 중요도 Score를 UI에서 붙이는 흐름을 보여 준다. 패턴 자체는 「대량, 반복 분류」에 Jev가 잘 맞는 자리로 읽으면 된다.

리드, 문의 게이트. 웹 문의 폼을 넣고 「좋은 리드인가」를 0~1로 재어, 높은 점수만 사람에게 보내고 애매하면 LLM 초안, 낮은 점수는 무시하는 식이다. 그래픽 디자인 에이전시 인바운드처럼 비싼 사람 시간 앞에 큐를 두는 자리와 맞는다. 다른 대본에서는 700 warm leads 개인화 전환 스코어를 약 40초, 약 0.08달러라고 주장하기도 한다(대본, 실시간 주장).

CS, 이슈 트리아지. 「어느 제품팀으로 보낼까」처럼 닫힌 라우팅. 정보 큐의 앞단에 붙여 트래픽 경찰처럼 쓰는 비유가 영상에도 나온다. 서비스 중개, 견적 라우팅(instant-match) 아이디어도 같은 축이다.

모델 라우터. 요청 내용을 state로 넣고 tiny/nano, balanced/sonnet, frontier처럼 닫힌 모델 목록에서 Choice한다. 답장과 코드는 고른 LLM이 쓰고, Jev는 어느 모델을 쓸지만 결정한다. Sentry Junior류로 「질문 두 개로 라우터」를 짜는 대본 사례도 있다.

크리에이터 파이프라인

크리에이터에게 Jev가 되는 일은 후보 고르기와 게이트다. 제목, 훅, 이미지 프롬프트, 댓글 유형, 문장 유형, 출처 일치 여부다. 안 되는 일은 대본 작성, 이미지 픽셀 판정, 무출처 팩트체크, 「왜 틀렸는지」 설명 생성이다.

프롬프트×대본 파이프. (1) 대본 beat, must_include, must_avoid를 state에 넣는다. (2) LLM이 이미지 프롬프트 후보 N개를 만든다. (3) Jev가 Choice(best_prompt_id) 또는 후보별 Score, Noul(「핵심 소품 포함?」「must_avoid 회피?」)로 top-k만 통과시킨다. (4) 실제 JPG/PNG 생성과 그림 검수는 비전 모델이나 사람이 맡는다. Jev 입력은 텍스트뿐이므로 픽셀을 보지 않는다.

팩트 게이트. 출처 원문을 state에 넣은 뒤에만 의미가 있다. 대본 문장마다 Choice(확정팩트/의견/추정/CTA/미확인) → 확정팩트만 Noul(「이 출처 문단과 충돌 없이 지지되는가?」). 웹 조사·설명 문장은 LLM/도구다. 쇼츠 대본 본문을 Jev에게 쓰라고 시키지 않는다.

인박스·협찬. 유튜브 댓글 Choice(질문/칭찬/스팸/혐오/협업), 협찬 메일 Noul(유료협찬?) + Score(채널 적합), 소재 메모 Choice(이번주촬영/백로그/폐기). 적합↑만 사람 알림으로 보낸다.

클립·제목. 롱폼을 전사한 뒤 순간(moment)을 Score로 매겨 숏폼 후보를 고르는 데모가 사용법 영상에 있다(화자 주장: 17 moments 약 3초대). Moritz 데모3는 LLM이 제목 후보 다수를 만들고 Jev가 score/rank한다(대본: 0.35면 underperformer, 임계값 0.5는 화자 설정).

Driving, 고증. 대본, 캡션, 파일명 텍스트로 게이트한다. 「한국 시설/표지/보도 컷으로 보이는 설명인가?」 같은 Noul은 캡션 기준이며, 최종 KR/해외 확정은 SOURCES와 사람이 한다. 이미지 픽셀 단독 판정은 불가하다.

브라우저 유즈·에이전트 하이브리드 (제한적)

브라우저 유즈. HTML과 클릭 가능 ID를 주고 다음에 누를 ID를 Choice로 고른다. 픽셀을 보는 비전 에이전트가 아니다. 접근성 좋은 마크업에서는 빠르고 싸게 돌아갈 수 있고, Canvas, WebGL, 자유 타이핑은 약하다. 타이핑이 보이면 대개 문자열 세트를 미리 준 것이다. 사용법 영상 항공권(Zurich→London) 픽 데모는 화자 주장 약 7.1초다. Moritz 음성 브라우저는 STT → 페이지 요소 퀴즈 → threshold 코드로 click/navigate/type한다(대본).

에이전트 하이브리드. 도구, 스킬, 리소스 설명이 많을 때 Jev로 지금 프롬프트에 관련 있는 것만 고른 뒤 LLM 컨텍스트에 넣는다. 생성은 LLM, 선별은 Jev다. Claudia memory OS 데모(대본)는 recall 토큰을 2756 vs 13,000, 다른 질문은 293 vs 13,000, 없으면 0 tokens라고 주장한다. 수치는 비공식 실측이지만, 「결정 모델로 컨텍스트 비용을 줄인다」는 패턴 설명으로는 쓸 만하다.

무LLM 툴챗(데모). 날씨, 위키, 단위변환, 스마트홈처럼 닫힌 툴 목록만 Choice하고 문장 생성은 안 하는 챗봇 연출이 있다(대본: 응답 약 200~300ms). 대화, 작성 본체가 필요하면 결국 LLM이 붙는다.

사무, 통계, 무역, PPT

숫자, 합계, 환율, 날짜 비교는 엑셀과 코드만 쓴다. Jev에게 맡기지 않는다(공식 jaggedness).

사무. 수신함 Choice(액션필요/참고/스팸/결재/외부고객), 결재 상신 Noul(필수 첨부, 금액, 기한 문구?) + Score(긴급도), 회의록 문장별 Choice(결정/할일/의견/잡담), 사내 규정은 검색으로 조항 후보를 모은 뒤 Choice, 채용은 JD 충족 Noul/Score(최종 합격은 사람).

통계. 집계는 스프레드시트/코드. 자유응답 라벨은 Choice, 「주장 문장이 표 요약과 지지되나?」는 Noul, 지표 정의 모호도는 Score. p-value, 회귀, 정확한 카운트는 Jev 금지.

무역, 물류. 인코텀즈, 결제조건 Choice(FOB/CIF/DDP 등을 criteria에 고정), BL/인보이스 Noul(필수 필드 누락?) + Choice(문서 종류), HS는 DB 후보 중 Choice(최종 세번, 관세는 관세사/사람), 클레임, 디머리지 Score/Noul, 제재 리스크 메모는 「추가 스크리닝 필요?」 Noul. 금액, 환율, 일자 파싱은 코드. confidence 낮으면 무조건 사람. 한/영 혼용 서류는 샘플 검증이 필수다.

PPT, 제안서. LLM이 슬라이드 초안 → Jev가 Choice(남김/합치기/삭제) + Noul(한 슬라이드 한 메시지?) + 주장×표 요약 지지 Noul + 과장 Score → 사람 디자인. 차트, 레이아웃 생성은 LLM/PPT다.

접근·호출 한 줄

시작은 typesafe.ai 웨이리스트 → 콘솔 API 키, 또는 OpenRouter slug typesafe/jev-1.13, 또는 영상에서 언급된 Vercel AI Gateway다. 요청 한 방은 state(판단 재료)와 questions(Choice, Score, Noul 하나 이상)를 POST /v1/systemone으로 보내고, 응답 확률을 코드 if로 소비한다. 별칭 jev-latest로 따라가거나 jev-1.13.0으로 고정한다. 고객별 fine-tune은 없고, 형태는 state와 instructions/criteria로 잡는다. 요청 데이터로 모델을 학습하지 않는다고 docs에 적혀 있다.

실무에서는 임계값을 코드에 둔다. noul 0.85 이상만 자동, 0.5~0.85는 사람 큐, 미만은 무시처럼 구간을 나누면 「틀린 답」을 제품 사고로 키우지 않기 쉽다. Choice confidence가 낮을 때도 같은 식으로 에스컬레이션한다. Score는 스펙트럼 위치와 legend를 같이 보고, 「정확한 수치 보간」이 아니라 「어느 구간에 있나」로 쓴다.

CS, 세일즈, 마케팅, 커머스, 핀테크, 보험, HR, 법무 행정, 의료 행정, 교육, 부동산, 제조 QC, 물류, 보안, DevOps, 연구, 뉴스룸, 민원, 스마트홈, 게임처럼 라우터/온도계/게이트/후보심사/주장검증/실시간 루프/팬아웃이 반복되는 분야에 같은 뼈대를 이식할 수 있다. 진단, 법률 결론, 지급 승인, 산술, 무근거 진위, 픽셀 단독, 안전 루프 단독은 금지에 가깝다.

단점·한계와 헷갈리기 쉬운 데모

한계는 공식 jaggedness와, 바이럴 데모를 까는 정리 영상, 사용법 영상 안의 주의가 겹친다. 초반에 겁주기보다, 뭔지·쓸 자리를 본 뒤 여기서 선을 긋는 편이 맞다.

가짜·과장 데모 표 (영상 정리)

많은 바이럴 데모는 유한 옵션을 하드코딩한 뒤 Jev가 고르게 한 연출이다. UI 생성, 픽셀 기반 자율주행, 전 행 DB 분류처럼 보이는 것은 모델 능력 과장이 많다. 유한 Command-K, 이메일 태그, HTML ID Choice처럼 닫힌 집합이면 실용 축에 가깝다.

공식 jaggedness (reviewed 2026-09-17)

공식 jaggedness는 다음을 실패 모드로 적는다.

• 문자 그대로 읽기(의도·뉘앙스보다 표면)
• 산술, 카운트(합계, 개수는 코드)
• 날짜 비교(코드/라이브러리)
• 다단 indirection(지시가 여러 겹으로 꺾일 때)
• 무관한 대형 state(잡음 많은 통째 투입)
• 적대 입력
• 모순 criteria
• 구조 불변식 미보장(Noul과 Choice yes 확률이 어긋나거나, 명제와 부정 noul 합이 1이 아닌 예)
• 생성(문장, 코드, 설명)

홈의 Zero Hallucinations는 confidence가 붙는 프레이밍이지 오답 불가가 아니다. docs는 캘리브레이션이 집단 예측에 대해 최적화된다고 하면서도 개별 답 보장을 부인한다.

마케팅 ≠ docs, 시세·언어

같은 계열 데모 영상(o1CogAtWdBk)의 출시 배수(20~200배, 40~400배)와 「결정당 0.00004달러」「약 0.4초 vs LLM 약 10초, 0.03달러」류 숫자는 홈, 화자 벤치 프레이밍이다. 공식 Models 표(입력 $0.042/M, 출력 무료)와 섞지 않는다. 옵션 트리를 준 오토파일럿, buy/sell/hold 트레이더 데모도 유한 Choice이지 비전 FSD나 만능 시세 AI가 아니다.

사용법 영상에서도 Bitcoin buy/hold/sell 같은 시세·포트폴리오 단독 판단은 약하다고 스스로 선을 긋는다. 뉴스까지 교차하는 대형 LLM과 사과 대 사과 비교가 아니라고 말한다. Score로 정확한 수치를 보간하지 말라고도 docs에 가깝게 읽힌다.

한국어·CJK는 docs가 약하다고 적으므로, 샘플로 임계값을 맞추기 전에는 자동 실행 비율을 낮춘다. OpenRouter 32K vs docs 64k/32k 표기 차이도 배포 전 재확인한다.

현실적인 「가짜가 아닌」 자리만 다시 고르면, 이메일, 티켓 태그, 닫힌 Command-K 후보, HTML 접근성 트리 위 클릭 ID Choice, LLM 후보 top-k, 에이전트 도구, 스킬 선별, 모델 라우터다. 그리기, 생성형 UI, 픽셀 FSD, 전 행 DB, 줄 단위 compaction, 시세 단독, 자유 챗봇은 연출이거나 약하다. Cloudflare 확률적 플로우 문법처럼 「흥미로운 아이디어」로만 남는 것도 있다(정리 영상 화자 프레이밍).

이럴 때 안 쓴다. 답장, 대본, 코드 생성, 합계, 날짜 계산, 이미지 픽셀 판정, 법률, 의료, 지급 승인 최종 결정, 무출처 진위만 묻는 조사 대체, 프로덕션급 전 행 DB NL 필터, 자유 UI/도형 설계.

마무리

앞에서 다룬 TypeSafe Jev의 핵심만 짧게 정리한다.

• Jev는 TypeSafe System One 플래그십이다. LLM이 아니라 typed 결정 모델이다.
• Choice, Score, Noul이 코드 분기와 직결된다. 한 요청에 질문 다수를 병렬로 보낼 수 있다.
• 쓸 자리: 메일, 리드, CS 라우팅, 후보 고르기, 에이전트 도구 선별, 크리에이터, 사무, 무역 게이트, (제한적) HTML 브라우저 유즈.
• 공식 가격은 입력 $0.042/M, 출력 무료. 컨텍스트는 docs 기준 64k/32k.
• 한계는 후반에 모았다. 유한 옵션 연출 데모, 비전 불가, 전 행 DB, 시세 단독, 생성 비권장, CJK 약함.
• 홈 배수와 영상 데모 수치는 마케팅·대본으로 분리하고, jaggedness와 CJK 고지를 같이 읽는다.
• LLM structured JSON과 달리 「형식이 곧 답」이므로 try/catch 파싱 비용을 줄이는 앞단에 잘 맞는다.

「생성은 LLM, 판단은 Jev, 숫자는 코드」 한국어 파이프는 샘플로 임계값을 맞춘 뒤에야 자동 비율을 올린다.

출처와 링크

- X | Diogo Almeida Jev 출시 - TypeSafe 창업자 발표·RLCD·마케팅 배수 조사 기준 2026년 9월 19일(Asia/Seoul).

• System One 개념 - Jev 정의, LLM과의 차이
• Models - 가격, 컨텍스트, 별칭, 언어, rate limits
• Primitives - Choice, Score, Noul
• Jev 1.13 jaggedness - 한계 (reviewed 2026-09-17)
• TypeSafe 홈 - 제품 홈·마케팅 배수
• OpenRouter typesafe/jev-1.13 - 호스팅 목록
• Docs hub llms.txt - 문서 인덱스
• YouTube | Jev is HERE. How to use it - 사용 예시, 데모 (메일, 리드, 클립, 브라우저)
• YouTube | Jev tools + what to know - 메일 500, Noul/Choice/Score, 모델 라우터 (배수, 시세는 마케팅/데모)
• YouTube | viral Jev demos that are fake - 가짜 데모·한계 정리
• YouTube Moritz | AI Systems, Jev tutorial (Nq_lu5QT-fI, 2026-09-17) - 대본 클레임만 (브라우저, 메모리, 제목 스코어)