Jev er TypeSafe AIs første System One-model, designet til applikationer, der har brug for strukturerede beslutninger frem for genereret prosa. Den evaluerer de leverede oplysninger mod klart definerede spørgsmål og returnerer typesikre svar, sandsynlighedsfordelinger og, hvor relevant, konfidensscore.

I modsætning til en konventionel stor sprogmodel er Jev ikke beregnet til at chatte, skrive kode eller skabe længere indhold. Dens formål er at træffe afgrænsede vurderinger, som software straks kan bruge til klassificering, ruting, scoring, verifikation, prioritering og workflow-kontrol.

Modelinformation blev gennemgået den 21. september 2026.

Tekniske specifikationer for Jev

Priser, aliaser og hastighedsgrænser kan ændre sig. Udviklere bør verificere de seneste oplysninger, før en arbejdsbelastning flyttes i produktion.

Hvad er Jev?

Jev er en beslutningsmodel udviklet af TypeSafe AI. I stedet for at generere en sekvens af uafgrænsede tokens vælger den værdier fra svarrum, som er defineret af udvikleren.

En Jev-forespørgsel indeholder to hovedkomponenter:

• State: De oplysninger, som modellen skal evaluere, såsom en supportsag, transaktionspost, agentspor, produktbeskrivelse eller JSON-formateret applikationstilstand.
• Questions: Typede definitioner af de vurderinger, der skal foretages for den tilstand.

De resulterende svar er beregnet til direkte brug i software. En applikation kan forgrene på en valgt kategori, sammenligne score, inspicere sandsynligheder, anvende en konfidens-tærskel eller sende et usikkert tilfælde til en menneskelig gennemgang.

Jev fungerer derfor som et probabilistisk beslutningslag mellem applikationsdata og deterministisk forretningslogik. Den håndterer vurderinger, der er svære at udtrykke gennem faste regler, samtidig med at applikationskoden bevarer kontrol over tærskler, tilladelser og handlinger.

Hvordan fungerer Jev

Tre beslutningsprimitiver

Jev understøtter tre spørgsmålstyper designet til forskellige slags softwarebeslutninger.

Choice vælger én mulighed fra et foruddefineret sæt. Den er velegnet til opgaver som intent-klassificering, sagsruting, politik-kategorisering og modelvalg. Svaret inkluderer den valgte mulighed, sandsynligheden for hver mulighed og en konfidensscore.

Score evaluerer tilstanden mod en ordnet bedømmelsesrubrik. Den kan måle kvaliteter såsom presserende niveau, risiko, relevans, frustration eller indholdskvalitet. Svaret inkluderer en score, sandsynligheder for hvert rubrikniveau og en konfidensscore.

Noul estimerer sandsynligheden for, at en påstand er sand. Den returnerer en værdi mellem 0 og 1 og er nyttig til verifikation, politik-tjek, berettigelsesbeslutninger og fuldførelsesporte. I modsætning til Choice og Score returnerer Noul ikke et separat konfidensfelt, fordi dens output allerede er en sandsynlighed.

Parallel evaluering af spørgsmål

En enkelt forespørgsel kan indeholde flere Choice-, Score- og Noul-spørgsmål. Jev evaluerer dem uafhængigt og parallelt mod den samme tilstand.

For eksempel kan en supportplatform klassificere en sag, vurdere dens presserendehed og estimere, om menneskelig eskalation er nødvendig, i én forespørgsel. TypeSafe oplyser, at tilføjelse af uafhængige spørgsmål har lille effekt på svartiden.

Spørgsmål i samme forespørgsel kan ikke afhænge af hinandens svar. Sekventielle beslutninger bør implementeres gennem separate kald, forbundet af applikationslogik.

Typesikre svar

Jevs mulige responsstrukturer er defineret før inferens. Dette forhindrer misdannet JSON, uventede felter og forklarende tekst i at optræde, hvor en kategori eller numerisk værdi er påkrævet.

Type-sikkerhed garanterer kun responsformatet. Jev kan stadig returnere en gyldig men forkert beslutning, så produktionsteam skal evaluere dens nøjagtighed ved hjælp af repræsentative data.

Eksplicit sandsynlighed og konfidens

Choice og Score eksponerer sandsynlighedsfordelingen bag hvert svar. Deres konfidensværdi opsummerer, hvor stærkt den fordeling favoriserer ét udfald.

Applikationer kan bruge konfidens til at automatisere klare beslutninger, anmode om bekræftelse, når usikkerheden er moderat, og dirigere tvetydige sager til et menneske eller en fallback-model.

Den passende tærskel afhænger af risiko. Tagging af en supportsag kan tolerere mere usikkerhed end godkendelse af en transaktion eller udførelse af en irreversibel handling.

Inferens med lav latenstid

TypeSafe rapporterer ende-til-ende svartider på cirka 70 til 500 millisekunder. Dette gør Jev velegnet til interaktiv ruting, gentagne agenttjek og andre beslutningstunge workflows, hvor et langsommere kald til en generativ model kan påvirke responsiviteten.

Faktisk latenstid afhænger af størrelsen på tilstanden, servicelast, netværksforhold og udrulningsregion.

Tilpasning på forespørgselsniveau

Jev tilpasses ikke via konto-specifik finjustering eller LoRA-adaptere. Udviklere tilpasser den ved at levere relevant tilstand, skrive præcise instruktioner, definere klare kriterier og kombinere atomare beslutninger i applikationskode.

Denne tilgang holder forretningsregler synlige og gør det muligt for teams at ændre workflow-logik uden at gen-træne modellen.

Versionsmodeller og stabile aliaser

TypeSafe leverer faste model-id'er og bevægelige aliaser. jev-1.13.0 identificerer en specifik udgivelse, mens jev-latest peger på den seneste stabile version. jev-preview kan pege på en nyere preview-udgivelse, når en sådan er tilgængelig.

Aliaser forenkler eksperimenter, men deres adfærd kan ændre sig efter en opdatering. Produktionsapplikationer med kalibrerede tærskler bør låse en testet version og registrere det model-id, der returneres med hvert svar.

Benchmark-ydeevne for Jev

Jev er ikke designet til generelle benchmarks, der fokuserer på skrivning, kodning, matematiske udledninger eller langvarig ræsonnering. Mere relevante målinger inkluderer beslutningskvalitet, kalibrering af sandsynligheder, latenstid, omkostninger og output-pålidelighed.

TypeSafe rapporterer:

• Ende-til-ende svartider på 70–500 millisekunder
• Cirka 40–200× hurtigere eksekvering på sammenlignelige System One-opgaver
• Top-workflowresultater på 193.6× højere hastighed
• Toprapporterede omkostningsforbedringer på 444.6×

Dette er leverandør-rapporterede resultater og bør ikke betragtes som universelle præstationsgarantier. TypeSafes workflow-evalueringer sammenligner modeller på strukturerede beslutningsgrafer og bruger gennemsnitlige forudsigelser fra udvalgte high-end eksterne modeller som referencesandsynligheder.

TypeSafe anerkender også, at medlemmer af deres modelkapabilitetsteam skabte de evaluerede workflows, hvilket kan introducere bias. De rapporterede gevinster ligger sandsynligvis tættere på den øvre ende af, hvad applikationer kan observere.

Jev vs. LLM med struktureret output vs. klassisk klassifikator vs. regelmotor

Jev er mest nyttig, når faste regler er for skrøbelige, det ville være dyrt at skabe en dedikeret klassifikator, og applikationen ikke har brug for genereret tekst.

En traditionel LLM er fortsat det bedre valg, når en opgave kræver research, forklaring, indholdsskabelse, planlægning eller flertrins ræsonnering. En regelmotor er stadig at foretrække, når den korrekte betingelse allerede er eksplicit og deterministisk.

Anbefalede anvendelsestilfælde

Jev er bedst egnet til hyppige beslutninger med et foruddefineret svarrum.

• Ruting og triage: Klassificér anmodninger, vælg køer eller værktøjer og prioriter presserende sager.
• Agentkontrol: Tjek opgavefærdiggørelse, evaluer foreslåede handlinger og identificér tilfælde, der kræver bekræftelse.
• LLM-evaluering: Vurder relevans, evidensstøtte, politikoverholdelse eller svartkvalitet.
• Moderation: Kategorisér politikovertrædelser, scorér alvorlighed og eskalér usikre sager.
• Data-berigelse: Konvertér beskeder, anmeldelser, leads og poster til kategorier, score og sandsynlighedsfunktioner.
• Realtidsbeslutninger: Understøt applikationsadfærd med lav latenstid, hvor et fuldt generativt svar er unødvendigt.

Begrænsninger for Jev

Jev er bevidst specialiseret, og dens snævre design skaber flere vigtige begrænsninger.

• Den kan ikke generere prosa, kode, resuméer eller samtalebesvarelser.
• Den er ikke beregnet til udvidet research eller flertrins ræsonnering.
• Typesikkert output garanterer ikke en korrekt forretningsbeslutning.
• Billeder, lyd, video og binære filer skal konverteres til tekst eller strukturerede data før indsendelse.
• Engelsk er det bedst dokumenterede sprog.
• Ikke-engelske og CJK-arbejdsbelastninger kræver uafhængig evaluering.
• Spørgsmål inden for én forespørgsel evalueres uafhængigt.
• Modellen kan ikke konstruere en sekventiel ræsonneringskæde på tværs af de spørgsmål.
• TypeSafe har ikke oplyst modellens parameterantal eller frigivet dens vægte.
• Tilpasning udføres via forespørgslen frem for kundespecifik finjustering.
• Offentliggjorte ydelsesforbedringer stammer fra TypeSafes egen evalueringsramme.
• Bevægelige aliaser kan introducere adfærdsændringer uden en ændring i applikationskoden.

Jev bør ikke erstatte deterministisk kode for tilladelser, finansielle beregninger, juridiske krav, filstørrelsesgrænser eller politikker for irreversible handlinger. Probabilistiske modeller er nyttige til usikre vurderinger, ikke til betingelser, som software allerede kan evaluere præcist.

Hvordan giver CometAPI adgang til Jev-API'et?

Jev er i øjeblikket ikke tilgængelig i CometAPIs offentlige modelkatalog. CometAPI planlægger at evaluere og integrere Jev, når modeladgang bliver tilgængelig, og de nødvendige forbindelsestilladelser åbnes.

Efter integration vil udviklere kunne tjekke CometAPIs modelkatalog og API-dokumentation for det understøttede model-id, forespørgselsformat, pris, hastighedsgrænser og endpoint-tilgængelighed.

Indtil integrationen officielt annonceres, bør udviklere bruge TypeSafes konsol, native API eller officielle SDK'er til at få adgang til Jev. En CometAPI-integration bør kun anses for tilgængelig, når Jev vises i det offentlige modelkatalog med verificerede API-oplysninger.