Jev adalah model System One pertama dari TypeSafe AI, yang dirancang untuk aplikasi yang membutuhkan keputusan terstruktur alih-alih prosa yang dihasilkan. Model ini mengevaluasi informasi yang diberikan terhadap pertanyaan yang didefinisikan dengan jelas dan mengembalikan jawaban bertipe, distribusi probabilitas, dan, bila berlaku, skor kepercayaan.

Tidak seperti model bahasa besar konvensional, Jev tidak dimaksudkan untuk mengobrol, menulis kode, atau membuat konten panjang. Tujuannya adalah membuat penilaian terbatas yang dapat langsung digunakan perangkat lunak untuk klasifikasi, perutean, penskoran, verifikasi, prioritisasi, dan kontrol alur kerja.

Informasi model ditinjau pada 21 September 2026.

Spesifikasi Teknis Jev

Harga, alias, dan batas laju dapat berubah. Pengembang harus memverifikasi informasi terbaru sebelum memindahkan beban kerja ke produksi.

Apa Itu Jev?

Jev adalah model pengambilan keputusan yang dikembangkan oleh TypeSafe AI. Alih-alih menghasilkan rangkaian token terbuka, model ini memilih nilai dari ruang jawaban yang didefinisikan oleh pengembang.

Satu permintaan Jev berisi dua komponen utama:

• State: Informasi yang harus dievaluasi model, seperti tiket dukungan, catatan transaksi, jejak agen, deskripsi produk, atau state aplikasi berformat JSON.
• Questions: Definisi bertipe mengenai penilaian yang harus dibuat atas state tersebut.

Jawaban yang dihasilkan ditujukan untuk digunakan langsung oleh perangkat lunak. Aplikasi dapat bercabang pada kategori terpilih, membandingkan skor, memeriksa probabilitas, menerapkan ambang kepercayaan, atau mengirim kasus yang tidak pasti ke peninjau manusia.

Karena itu, Jev bertindak sebagai lapisan keputusan probabilistik di antara data aplikasi dan logika bisnis deterministik. Model ini menangani penilaian yang sulit diekspresikan melalui aturan tetap sambil memungkinkan kode aplikasi mempertahankan kontrol atas ambang, izin, dan tindakan.

Bagaimana Cara Kerja Jev

Tiga Primitif Keputusan

Jev mendukung tiga jenis pertanyaan yang dirancang untuk berbagai jenis keputusan perangkat lunak.

Choice memilih satu opsi dari himpunan yang telah ditentukan. Cocok untuk tugas seperti klasifikasi intent, perutean tiket, kategorisasi kebijakan, dan pemilihan model. Respons mencakup opsi terpilih, probabilitas yang diberikan pada tiap opsi, dan skor kepercayaan.

Score mengevaluasi state terhadap rubrik berurutan. Dapat mengukur kualitas seperti urgensi, risiko, relevansi, frustrasi, atau kualitas konten. Respons mencakup skor, probabilitas untuk setiap tingkat rubrik, dan skor kepercayaan.

Noul memperkirakan probabilitas bahwa suatu pernyataan benar. Mengembalikan nilai antara 0 dan 1 dan berguna untuk verifikasi, pemeriksaan kebijakan, keputusan kelayakan, dan gerbang penyelesaian. Tidak seperti Choice dan Score, Noul tidak mengembalikan bidang kepercayaan terpisah karena keluarannya sudah berupa probabilitas.

Evaluasi Pertanyaan Secara Paralel

Satu permintaan dapat berisi banyak pertanyaan Choice, Score, dan Noul. Jev mengevaluasi semuanya secara independen dan paralel terhadap state yang sama.

Sebagai contoh, sebuah platform dukungan dapat mengklasifikasikan tiket, menilai urgensinya, dan memperkirakan apakah eskalasi ke manusia diperlukan dalam satu permintaan. TypeSafe menyatakan bahwa menambahkan pertanyaan independen hanya sedikit memengaruhi waktu respons.

Pertanyaan dalam permintaan yang sama tidak dapat bergantung pada jawaban satu sama lain. Keputusan berurutan harus diimplementasikan melalui panggilan terpisah yang dihubungkan oleh logika aplikasi.

Respons Aman Tipe

Struktur respons yang mungkin dari Jev didefinisikan sebelum inferensi. Ini mencegah JSON yang salah bentuk, bidang tak terduga, dan teks penjelasan muncul di tempat kategori atau nilai numerik diperlukan.

Keamanan tipe hanya menjamin format respons. Jev masih dapat mengembalikan keputusan yang valid namun keliru, jadi tim produksi harus mengevaluasi akurasinya menggunakan data representatif.

Probabilitas dan Kepercayaan yang Eksplisit

Choice dan Score mengekspos distribusi probabilitas di balik setiap jawaban. Nilai kepercayaan merangkum seberapa kuat distribusi tersebut mendukung satu hasil.

Aplikasi dapat menggunakan kepercayaan untuk mengotomatisasi keputusan yang jelas, meminta konfirmasi ketika ketidakpastian moderat, dan merutekan kasus ambigu ke manusia atau model cadangan.

Ambang yang sesuai bergantung pada risiko. Penandaan tiket dukungan dapat mentoleransi lebih banyak ketidakpastian daripada menyetujui transaksi atau mengeksekusi tindakan yang tidak dapat dibalik.

Inferensi Berlatensi Rendah

TypeSafe melaporkan waktu respons end-to-end sekitar 70 hingga 500 milidetik. Ini membuat Jev cocok untuk perutean interaktif, pemeriksaan berulang oleh agen, dan alur kerja lain yang berintensitas keputusan tinggi di mana panggilan model generatif yang lebih lambat dapat memengaruhi responsivitas.

Latensi aktual bergantung pada ukuran state, beban layanan, kondisi jaringan, dan wilayah penerapan.

Kustomisasi pada Tingkat Permintaan

Jev tidak dikustomisasi melalui fine-tuning khusus akun atau adaptor LoRA. Pengembang menyesuaikannya dengan menyediakan state yang relevan, menulis instruksi yang presisi, mendefinisikan kriteria yang jelas, dan menggabungkan keputusan atomik dalam kode aplikasi.

Pendekatan ini menjaga aturan bisnis tetap terlihat dan memungkinkan tim mengubah logika alur kerja tanpa melatih ulang model.

Model Ber-versi dan Alias Stabil

TypeSafe menyediakan ID model tetap dan alias yang bergerak. jev-1.13.0 mengidentifikasi rilis spesifik, sementara jev-latest menunjuk ke versi stabil terbaru. jev-preview dapat berpindah ke rilis pratinjau yang lebih baru saat tersedia.

Alias menyederhanakan eksperimen, tetapi perilakunya dapat berubah setelah pembaruan. Aplikasi produksi dengan ambang yang terkalibrasi sebaiknya menyematkan versi yang telah diuji dan mencatat ID model yang dikembalikan pada setiap respons.

Kinerja Benchmark Jev

Jev tidak dirancang untuk benchmark tujuan umum yang berfokus pada penulisan, pengkodean, derivasi matematis, atau penalaran panjang. Pengukuran yang lebih relevan mencakup kualitas keputusan, kalibrasi probabilitas, latensi, biaya, dan keandalan output.

TypeSafe melaporkan:

• Waktu respons end-to-end 70–500 milidetik
• Eksekusi sekitar 40–200× lebih cepat pada tugas System One yang sebanding
• Hasil puncak alur kerja sebesar 193.6× lebih cepat
• Perbaikan terkait biaya yang dilaporkan pada puncaknya sebesar 444.6×

Ini adalah hasil yang dilaporkan vendor dan tidak boleh dianggap sebagai jaminan kinerja universal. Evaluasi alur kerja milik TypeSafe membandingkan model pada grafik keputusan terstruktur dan menggunakan prediksi rata-rata dari model eksternal kelas atas terpilih sebagai probabilitas referensi.

TypeSafe juga mengakui bahwa anggota tim kapabilitas modelnya membuat alur kerja yang dievaluasi, yang dapat memperkenalkan bias. Peningkatan yang dilaporkan kemungkinan lebih mendekati batas atas dari apa yang mungkin diamati aplikasi.

Jev vs LLM dengan Output Terstruktur vs Klasifikator Klasik vs Rules Engine

Jev paling berguna ketika aturan tetap terlalu rapuh, membuat klasifikator khusus akan mahal, dan aplikasi tidak membutuhkan teks yang dihasilkan.

LLM tradisional tetap menjadi pilihan yang lebih baik ketika tugas memerlukan riset, penjelasan, pembuatan konten, perencanaan, atau penalaran multi-langkah. Rules engine tetap lebih disukai ketika kondisi yang benar sudah eksplisit dan deterministik.

Kasus Penggunaan yang Direkomendasikan

Jev paling cocok untuk keputusan yang sering dengan ruang jawaban yang telah ditentukan.

• Routing dan triase: Mengklasifikasikan permintaan, memilih antrian atau alat, dan memprioritaskan kasus mendesak.
• Kontrol agen: Memeriksa penyelesaian tugas, mengevaluasi tindakan yang diusulkan, dan mengidentifikasi kasus yang memerlukan konfirmasi.
• Evaluasi LLM: Menilai relevansi, dukungan bukti, kepatuhan kebijakan, atau kualitas respons.
• Moderasi: Mengkategorikan pelanggaran kebijakan, memberi skor tingkat keparahan, dan mengeskalasi kasus yang tidak pasti.
• Pengayaan data: Mengonversi pesan, ulasan, prospek, dan catatan menjadi kategori, skor, dan fitur probabilitas.
• Keputusan real-time: Mendukung perilaku aplikasi berlatensi rendah di mana respons model generatif penuh tidak diperlukan.

Keterbatasan Jev

Jev sengaja dispesialisasi, dan desainnya yang sempit menimbulkan beberapa keterbatasan penting.

• Tidak dapat menghasilkan prosa, kode, ringkasan, atau jawaban percakapan.
• Tidak ditujukan untuk riset mendalam atau penalaran multi-langkah.
• Output yang aman tipe tidak menjamin keputusan bisnis yang benar.
• Gambar, audio, video, dan file biner harus dikonversi menjadi teks atau data terstruktur sebelum dikirim.
• Bahasa Inggris adalah bahasa yang terdokumentasi paling kuat.
• Beban kerja non-Inggris dan CJK memerlukan evaluasi independen.
• Pertanyaan dalam satu permintaan dievaluasi secara independen.
• Model tidak dapat membangun rantai penalaran berurutan di antara pertanyaan-pertanyaan tersebut.
• TypeSafe belum mengungkap jumlah parameter model atau merilis bobotnya.
• Kustomisasi dilakukan melalui permintaan, bukan fine-tuning khusus pelanggan.
• Peningkatan kinerja yang dipublikasikan berasal dari kerangka evaluasi TypeSafe sendiri.
• Alias yang bergerak dapat memperkenalkan perubahan perilaku tanpa perubahan kode aplikasi.

Jev tidak boleh menggantikan kode deterministik untuk izin, perhitungan finansial, persyaratan hukum, batas ukuran file, atau kebijakan tindakan yang tidak dapat dibalik. Model probabilistik berguna untuk penilaian yang tidak pasti, bukan untuk kondisi yang sudah dapat dievaluasi perangkat lunak secara eksak.

Bagaimana CometAPI Menyediakan Akses ke API Jev?

Jev saat ini belum tersedia di katalog model publik CometAPI. CometAPI berencana mengevaluasi dan mengintegrasikan Jev setelah akses model tersedia dan izin koneksi yang diperlukan dibuka.

Setelah integrasi, pengembang akan dapat memeriksa direktori model CometAPI dan dokumentasi API untuk ID model yang didukung, format permintaan, harga, batas laju, dan ketersediaan endpoint.

Sampai integrasi diumumkan secara resmi, pengembang harus menggunakan konsol, API native, atau SDK resmi milik TypeSafe untuk mengakses Jev. Integrasi CometAPI hanya boleh dianggap tersedia setelah Jev muncul di katalog model publik dengan informasi API yang telah diverifikasi.