TL;DR
Jev ialah model keputusan yang dibangunkan oleh TypeSafe AI. TypeSafe memperkenalkan Jev pada 15 September 2026 sebagai model System One pertamanya, yang direka untuk memulangkan keputusan berstruktur dan kebarangkalian yang boleh digunakan terus oleh perisian. Panduan ini terutamanya berasaskan dokumentasi rasmi TypeSafe, panduan Quick Start, rujukan model, dan pengumuman rasmi tentang Jev daripada syarikat.
Jev tidak menulis prosa, menjana kod, atau berinteraksi dalam perbualan. Ia menilai keadaan berasaskan teks terhadap soalan berjenis dan memulangkan jawapan berstruktur yang boleh digunakan terus oleh aplikasi.
Perbezaan ini penting untuk aliran kerja perisian. Model bahasa konvensional menghasilkan token, walaupun aplikasi hanya memerlukan kategori, skor, atau keputusan ya-atau-tidak. Jev direka bersandarkan keputusan itu sendiri. Antaramukanya menerima keadaan dan satu atau lebih soalan, kemudian memulangkan nilai berjenis dan taburan kebarangkalian. Jawapan Choice dan Score juga menyertakan nilai keyakinan.
Jev bertujuan untuk pengelasan, penghalaan, pemarkahan, pengesahan, penghad, dan keputusan terhad lain. Ia bukan pengganti umum untuk GPT, Claude, Gemini, atau model generatif lain. Dalam ejen AI, model generatif boleh merancang atau mencipta kandungan manakala Jev mengendalikan keputusan kerap seperti memilih laluan, memeriksa risiko, atau memutuskan sama ada hasil memerlukan semakan.
Perkara Utama
- Jev dibangunkan oleh TypeSafe dan kini dipersembahkan sebagai model System One utama mereka.
- Model menerima keadaan berasaskan teks serta soalan berjenis. Ia memulangkan keputusan berstruktur bukannya prosa terjana.
- Jev menyokong tiga jenis soalan bernama Choice, Score, dan Noul.
- Pelbagai soalan boleh dinilai secara bebas dan selari terhadap keadaan yang sama dalam satu permintaan.
- TypeSafe melatih Jev dengan Reinforcement Learning for Calibrated Decisions, atau RLCD.
- Halaman model rasmi semasa menyenaraikan Jev 1.13 dengan had permintaan 64,000 token dan input teks sahaja.
- Harga rasmi ialah $0.042 setiap sejuta token input. Token output disenaraikan sebagai percuma.
- Output type-safe mencegah ketidakpadanan skema. Ia tidak menjamin setiap keputusan perniagaan adalah betul.
- TypeSafe melaporkan kependaman 70 hingga 500 milisaat dan peningkatan besar pada penilaian aliran kerja mereka sendiri. Angka ini dilaporkan vendor dan terpakai untuk tugasan berbentuk System One.
Apakah Jev?
Jev ialah model keputusan yang dibina oleh TypeSafe AI. Dokumentasi rasmi menerangkannya sebagai model utama syarikat dan model System One pertama. Inputnya mempunyai dua bahagian utama.
Bahagian pertama ialah keadaan. Keadaan ialah maklumat yang Jev harus teliti, seperti mesej pelanggan, laporan insiden, koleksi rekod, atau objek JSON yang mengandungi konteks aplikasi.
Bahagian kedua ialah set soalan berjenis. Setiap soalan mentakrifkan pertimbangan yang perlu dibuat dan bentuk jawapan yang dibenarkan. Jev menilai soalan terhadap keadaan dan memulangkan hasil yang boleh digunakan oleh kod untuk mencabang, mengisih, memberi skor, atau menghala.
Pertimbangkan permintaan sokongan yang melaporkan integrasi pembayaran gagal selama tiga hari. Sistem sokongan mungkin tidak memerlukan perenggan yang menerangkan situasi. Ia mungkin memerlukan tiga keputusan sempit:
- Pasukan manakah yang patut menerima tiket?
- Sejauh mana pelanggan kelihatan kecewa?
- Adakah mesej memerlukan perhatian segera?
Jev boleh mewakilkan ini sebagai satu soalan Choice, satu Score, dan satu Noul dalam satu permintaan. Respons mengandungi kategori atau skor yang dipilih, taburan kebarangkalian yang berkaitan, dan keyakinan jika disokong. Aplikasi kemudian memutuskan apa yang akan dilakukan dengan nilai tersebut.
Pembahagian tanggungjawab ini adalah disengajakan. Model membekalkan pertimbangan yang tidak pasti dalam format yang stabil. Kod aplikasi mengekalkan kawalan ke atas ambang, kebenaran, kesan sampingan, dan tingkah laku sandaran.
Apakah Model System One?
TypeSafe menggunakan istilah model System One bagi kelas model yang direka untuk membuat keputusan pantas dan berstruktur yang boleh dimakan perisian. Nama ini merujuk pada perbezaan antara pemikiran pantas dan perlahan yang dikaitkan dengan karya Daniel Kahneman. Ia menerangkan peranan model yang dimaksudkan, bukan dakwaan bahawa model perisian meniru kognisi manusia.
Tugasan System One mempunyai objektif terhad. Seorang penyemak yang arif seharusnya boleh membuat pertimbangan dengan cepat apabila diberi konteks yang mencukupi. Contohnya termasuk memilih niat, menilai segera pada skala yang ditakrif, memeriksa sama ada dakwaan disokong, atau memutuskan sama ada permintaan perlu ditingkatkan.
Tugasan yang memerlukan penyelidikan lanjutan, deduksi berbilang langkah, penjelasan panjang, atau penciptaan kandungan bukan padanan semula jadi. TypeSafe mengesyorkan menguraikan pertimbangan luas kepada soalan atomik dan menggabungkan hasilnya dalam kod.
Sebagai contoh, nilai pitch permulaan ini terlalu luas untuk menghasilkan keputusan yang boleh diperiksa. Saiz pasaran, kebolehlaksanaan teknikal, dan pembezaan sebaliknya boleh dinilai sebagai soalan berasingan. Aplikasi boleh menggabungkan skor tersebut dengan formula jelas. Jika keutamaan perniagaan berubah, pemberat boleh diubah dalam kod tanpa menjadikan prompt model sebagai logik perniagaan tersembunyi.
Bagaimanakah Jev Berfungsi?
Kontrak operasi Jev boleh ditulis sebagai:
Keadaan + soalan berjenis -> keputusan berjenis + kebarangkalian
Ini berbeza daripada aliran model bahasa biasa:
Arahan -> token terjana -> penghuraian dan pengesahan -> keputusan aplikasi
Perbezaan ini bukan sekadar format respons yang berbeza. Output tersusun tradisional masih meminta model generatif menghasilkan jujukan token yang mematuhi skema. Jev direka untuk memulangkan nilai daripada ruang jawapan yang ditakrif lebih awal.
API semasa menerima keadaan sebagai rentetan, objek JSON, atau tatasusunan nilai teks. Input ialah teks sahaja. Imej, audio, video, dan dokumen binari mesti ditukar kepada teks atau medan berstruktur sebelum dihantar.
Setiap soalan dalam satu permintaan dinilai secara bebas terhadap keadaan yang sama. Menurut dokumentasi TypeSafe, menambah soalan hampir tidak mengubah masa respons kerana soalan dinilai secara selari. Kebebasan juga menghalang jawapan satu soalan daripada menjadi konteks bagi soalan lain dalam panggilan yang sama.
Tingkah laku itu mempunyai akibat reka bentuk penting. Jika satu keputusan benar-benar bergantung pada yang lain, kebergantungan itu milik aliran kerja aplikasi. Jalankan penilaian pertama, kemas kini keadaan atau bercabang dalam kod, kemudian lakukan penilaian seterusnya. Satu permintaan paling sesuai untuk soalan yang berkongsi bukti tetapi tidak bergantung pada jawapan satu sama lain.
Tiga Jenis Soalan Jev
Jev mendedahkan tiga primitif. Setiap satu padan dengan jenis keputusan perisian yang berbeza.
| Jenis soalan | Tujuan | Mengembalikan | Contoh yang sesuai |
|---|---|---|---|
| Choice | Memilih satu pilihan daripada set yang ditakrif | Pilihan terpilih, kebarangkalian setiap pilihan, keyakinan | Pengelasan niat, penghalaan pasukan, pemilihan model |
| Score | Meletakkan keadaan pada rubrik bertertib | Skor, taburan kebarangkalian tahap, keyakinan | Segera, kualiti, risiko, niat membeli |
| Noul | Menganggar sama ada pernyataan adalah benar | Nilai dari 0 hingga 1 | Semakan polisi, semakan penyiapan, kelayakan binari |
Choice
Soalan Choice memilih satu pilihan daripada kriteria yang ditakrif oleh aplikasi. Aliran kerja sokongan mungkin menyediakan billing, technical, dan sales, dengan perihalan untuk setiap kategori. Jev memulangkan pilihan yang dipilih, kebarangkalian yang diperuntukkan kepada setiap pilihan, dan nilai keyakinan yang terbit daripada bentuk taburan tersebut.
Reka bentuk kategori mempengaruhi kegunaan hasil. Pilihan bertindih mewujudkan kekaburan. Pilihan yang hilang memaksa model ke arah jawapan yang mungkin tidak sesuai. Taksonomi produksi harus menyertakan laluan seperti insufficient_evidence atau human_review apabila aliran kerja perlu memelihara ketidakpastian.
Perkataan juga harus sepadan dengan keputusan sebenar. Pasukan manakah yang patut menyiasat terlebih dahulu meminta laluan sementara. Pasukan manakah yang menyebabkan kegagalan meminta diagnosis. Mereka mungkin menggunakan senarai pasukan yang sama, tetapi mereka tidak meminta soalan yang sama.
Score
Soalan Score meletakkan keadaan pada rubrik bertertib. Kriteria mungkin menerangkan tahap seperti tenang, kecewa, dan marah, atau mentakrif skala perniagaan yang lebih terperinci. Respons termasuk skor berangka, petunjuk yang mengaitkan nombor dengan tahap, taburan kebarangkalian merentasi tahap tersebut, dan keyakinan.
Rubrik Score yang berguna menerangkan perbezaan yang boleh diperhatikan. Label tanpa definisi meninggalkan model dan penyemak manusia untuk menyimpulkan piawaian yang berbeza. Skala risiko harus menyatakan apa yang membezakan setiap tahap. Skala kualiti harus menyatakan keperluan yang hadir atau hilang.
Jika skor mencampurkan kebimbangan bebas, lebih baik memecahkannya. Relevan, sokongan fakta, nada, dan pematuhan polisi boleh menjadi soalan berasingan. Kod aplikasi boleh mengira skor komposit menggunakan pemberat yang kekal kelihatan dan boleh diuji.
Noul
Noul ialah primitif keputusan binari TypeSafe. Ia menganggar kebarangkalian bahawa pernyataan adalah benar dan memulangkan nombor dari 0 hingga 1. Nilai 0.9 mewakili kebarangkalian kebenaran yang dianggarkan lebih tinggi daripada nilai 0.6.
Noul tidak memulangkan medan confidence berasingan seperti Choice dan Score. Outputnya sudah berupa kebarangkalian untuk pernyataan yang dinilai. Oleh itu, soalan harus ditulis sebagai pernyataan yang boleh diuji, seperti mesej menyampaikan segera atau jawapan disokong oleh sumber yang dibekalkan.
Noul berguna untuk pengesahan dan pengawalan, tetapi ambang milik aplikasi. Cadangan antara muka berisiko rendah mungkin bertolak ansur dengan ambang yang lebih rendah berbanding tindakan kewangan atau pentadbiran yang tidak boleh diundur.
Soalan Atomik dan Aliran Kerja Tersusun
Jev berfungsi terbaik apabila setiap soalan bertanya satu perkara yang sempit. Reka bentuk ini menjadikan output lebih mudah diperiksa dan membolehkan perisian memiliki polisi akhir.
Katakan ejen perlu memutuskan sama ada untuk melaksanakan panggilan alat. Soalan luas seperti adakah tindakan ini harus dijalankan mungkin menggabungkan kebenaran, kebolehbalikan, kepekaan data, niat pengguna, dan risiko operasi. Aliran kerja yang lebih boleh diperiksa menilai dimensi tersebut secara berasingan:
- Adakah panggilan alat konsisten dengan permintaan pengguna?
- Adakah ia menghantar maklumat sensitif?
- Adakah tindakan itu destruktif atau sukar untuk diundur?
- Adakah ia menjejaskan akaun luar?
- Adakah pengesahan tambahan diperlukan oleh polisi?
Rangka boleh kemudian menggabungkan jawapan dengan peraturan deterministik. Operasi destruktif boleh memerlukan pengesahan tanpa mengira keyakinan keseluruhan model. Operasi baca sahaja boleh mengikuti laluan yang kurang ketat. Susunan ini mengekalkan kebenaran dalam kod dan menggunakan Jev hanya untuk pertimbangan yang tidak boleh dinyatakan dengan boleh dipercayai sebagai peraturan tetap.
Jev vs LLM Tradisional
Jev dan model bahasa besar berkhidmat untuk peranan berbeza.
| Dimensi | Jev | LLM Tradisional |
|---|---|---|
| Output utama | Keputusan berjenis dan kebarangkalian | Teks, kod, atau token tersusun terjana |
| Ruang jawapan | Ditakrif sebelum inferens | Terbuka kecuali dihadkan |
| Persampelan | Soalan dinilai secara selari | Token dijana secara berurutan |
| Beban kerja semula jadi | Pengelasan, penghalaan, pemarkahan, pengesahan | Perbualan, penaakulan, penulisan, pengkodan |
| Ketidakpastian | Taburan kebarangkalian; keyakinan untuk Choice dan Score | Bergantung penyedia dan kaedah |
| Tingkah laku skema | Output mematuhi jenis soalan yang disokong | Output tersusun memerlukan generasi terikat skema |
| Peranan sistem terbaik | Lapisan keputusan dalam perisian | Lapisan perancangan dan penjanaan |
Jev tidak patut digambarkan sebagai chatbot yang lebih kecil. TypeSafe tidak menerbitkan kiraan parameter atau butiran seni bina yang mencukupi untuk mengelaskan model mengikut saiz. Perbezaan awamnya berdasarkan pada objektif latihan, kaedah persampelan, dan antaramuka.
Jev juga tidak menggantikan kod deterministik. Peraturan tetap kekal sebagai alat yang betul apabila keadaan jelas dan stabil. Pengiraan cukai, senarai kebenaran, atau had saiz fail tidak seharusnya menjadi panggilan model berkemungkinan. Jev berguna di tempat peraturan tulisan tangan terlalu rapuh tetapi jawapan yang dikehendaki masih boleh dihadkan.
Jev vs Output Tersusun LLM
Output tersusun membolehkan model bahasa memulangkan JSON atau nilai yang mematuhi skema. Ia berguna apabila aliran kerja memerlukan penaakulan generatif dan hasil yang boleh dibaca mesin. Jev menangani masalah yang lebih sempit.
Dengan LLM, skema menghadkan bentuk respons terjana. Dengan Jev, soalan dan ruang jawapan ialah antaramuka model. Jev memulangkan taburan kebarangkalian yang bertujuan untuk mengambil bahagian dalam logik aplikasi, dan soalan bebas dinilai secara berasingan terhadap keadaan yang dikongsi.
Bentuk JSON yang sepadan tidak mewujudkan tingkah laku yang sepadan. Dua sistem mungkin sama-sama memulangkan medan bernama department, namun berbeza dalam kependaman, kalibrasi, pengendalian kekaburan, dan kestabilan respons. Pasukan yang membandingkan Jev dengan output tersusun LLM harus mengekalkan skema aplikasi malar dan menguji kedua-dua sistem pada data berlabel yang sama.
RLCD dan Keputusan Terkalibrasi
TypeSafe mengatakan Jev dilatih dengan Reinforcement Learning for Calibrated Decisions. RLCD berbeza dari segi objektif daripada RLHF dan RLVR.
RLHF mengoptimumkan respons menggunakan isyarat keutamaan manusia dan telah digunakan secara meluas untuk pembantu perbualan. RLVR menggunakan ganjaran boleh disahkan dan dikaitkan dengan tugasan di mana ketepatan boleh diperiksa secara berprogram. RLCD melatih model TypeSafe untuk memulangkan keputusan dan kebarangkalian terkalibrasi bukannya teks terjana.
Kalibrasi berkaitan kumpulan ramalan. Jika model dikalibrasi dengan baik, hasil yang diberikan kebarangkalian hampir 0.8 seharusnya betul kira-kira 80 peratus masa merentasi set kes yang sesuai. Ia tidak menjamin bahawa ramalan tertentu dengan kebarangkalian 0.8 adalah betul.
Kebarangkalian dan keyakinan tidak harus dilayan sebagai boleh saling ganti. Choice dan Score mendedahkan taburan kebarangkalian penuh. TypeSafe memperoleh keyakinan daripada bentuk setiap taburan. Taburan yang tertumpu pada satu pilihan menghasilkan keyakinan lebih tinggi; taburan yang lebih rata menandakan kekaburan. Pasukan boleh menggunakan keyakinan yang disediakan atau mengira statistik lain daripada kebarangkalian.
Noul tiada medan keyakinan berasingan. Nilainya ialah kebarangkalian yang dianggarkan bahawa pernyataan adalah benar.
Spesifikasi Model Jev dan Harga
Butiran berikut berasal daripada dokumentasi model rasmi TypeSafe yang disemak pada 21 September 2026.
| Item | Nilai yang didokumenkan secara rasmi |
|---|---|
| Model stabil semasa | Jev 1.13 |
| ID model ber-versi | jev-1.13.0 |
| Alias stabil | jev-latest |
| Input | Teks; rentetan, objek JSON, atau tatasusunan nilai teks |
| Had konteks permintaan | 64,000 token merentasi keadaan dan semua soalan |
| Peraturan konteks tambahan | 32,000 token untuk keadaan + soalan terpanjang |
| Harga input | $0.042 per sejuta token, atau $42 per bilion token |
| Harga output | Percuma |
| Had kadar yang diterbitkan | 250,000 token sesaat dan 1,200 permintaan seminit |
| Bahasa latihan utama | Inggeris |
| Input bukan teks | Tidak disokong secara langsung |
TypeSafe menyatakan bahawa had kadar dilaraskan secara dinamik dan mungkin berubah tanpa notis. Had semasa dan harga harus diperiksa sebelum penggunaan produksi.
Dokumentasi juga menyatakan bahawa Inggeris ialah bahasa latihan utama dan kini memberikan ketepatan terbaik. Bahasa lain, termasuk tulisan CJK, disokong tetapi tidak sama baik. Beban kerja Cina, Jepun, atau Korea harus dinilai pada data yang mewakili sebelum keputusan automatik diaktifkan.
TypeSafe mengatakan Jev tidak ditala-halus atau diadaptasi LoRA dengan data setiap pelanggan. Berat model yang sama digunakan untuk setiap akaun. Tingkah laku domain dibentuk melalui keadaan, arahan, kriteria, dan penggubahan sisi aplikasi. Syarikat juga menyatakan bahawa permintaan dan respons pelanggan tidak digunakan untuk melatih Jev. Pelanggan perusahaan boleh merujuk dokumentasi undang-undang TypeSafe untuk terma pengekalan data sifar.
Seberapa Pantas Jev?
TypeSafe melaporkan masa respons hujung ke hujung antara 70 hingga 500 milisaat. Catatan pelancarannya membandingkan julat ini dengan 3 hingga 329 saat untuk panggilan model frontier terpilih dan menggambarkan Jev 40 hingga 200 kali lebih pantas pada tahap kecerdasan yang setara bagi pertanyaan berbentuk System One.
Syarikat itu juga melaporkan peningkatan puncak 193.6 kali dalam kelajuan dan 444.6 kali dalam kos pada penilaian aliran kerja mereka. Angka ini memerlukan konteks.
Ia datang daripada rangka kerja penilaian TypeSafe sendiri. Aliran kerja membandingkan model pada graf keputusan berstruktur dan menggunakan ramalan purata model luaran berkelas tinggi terpilih sebagai kebarangkalian rujukan. TypeSafe menyatakan bahawa peningkatan yang dilaporkan mungkin hampir kepada bahagian tinggi penambahbaikan dunia nyata dan mengakui kemungkinan bias kerana ahli pasukan keupayaan model mereka mencipta aliran kerja tersebut.
Hasil ini tidak harus dibaca sebagai dakwaan umum bahawa Jev ratusan kali lebih pantas daripada setiap LLM pada setiap tugas. Jev mengetepikan penjanaan teks dan menyasar keputusan terhad. Perbandingan adil harus menggunakan tugasan yang kedua-dua sistem boleh lakukan, mengukur kualiti keputusan serta kependaman, dan memasukkan kos pengesahan, percubaan semula, dan semakan manusia.
Kegunaan Terbaik Jev
Jev paling sesuai untuk aliran kerja volum tinggi dengan ruang jawapan yang ditakrif dan keperluan anggaran ketidakpastian.
- Triage Sokongan Pelanggan: Mengelaskan tiket mengikut jabatan, segera, kekecewaan, risiko keluar, atau keperluan semakan manusia.
- Penghalaan Niat dan Model: Mengenal pasti jenis permintaan dan menghalakannya ke alat, aliran kerja, ejen, atau model yang sesuai. Keyakinan boleh menentukan sama ada penghalaan adalah automatik.
- Semakan Risiko Alat Ejen: Menilai panggilan alat yang dicadangkan untuk tindakan destruktif, data sensitif, atau ketidakselarasan dengan permintaan pengguna sebelum pelaksanaan. Kod aplikasi kekal bertanggungjawab untuk kebenaran.
- Penilaian Output LLM: Memeriksa sama ada respons LLM disokong oleh konteks yang disediakan, mengikuti format yang diperlukan, atau memerlukan semakan manusia.
- Moderasi Kandungan: Gunakan Choice untuk kategori polisi, Score untuk keterukan, dan Noul untuk semakan peraturan binari. Kes berkeyakinan rendah boleh dihantar kepada moderator.
- Pemprosesan Data Volum Tinggi: Memproses log, e-mel, ulasan, petunjuk, iklan, atau segmen dokumen apabila setiap rekod boleh dinilai secara bebas dan output ialah kategori, skor, atau kebarangkalian.
Kedudukan Jev dalam Ejen AI
Ejen AI lazimnya menggabungkan model generatif, alat, keadaan aplikasi, dan peraturan yang mengawal pelaksanaan. Jev sesuai dalam sistem ini sebagai lapisan keputusan berstruktur di sekitar model generatif utama.
Model generatif boleh mengendalikan tugasan terbuka seperti mentafsir permintaan, merancang aliran kerja, menulis kandungan, atau menjana kod. Jev boleh mengendalikan keputusan yang lebih sempit yang perlu berlaku berulang kali sepanjang aliran kerja:
- Alat atau model manakah yang patut digunakan?
- Adakah tindakan yang dicadangkan berisiko atau tidak konsisten dengan permintaan?
- Perlukah ejen meneruskan, cuba semula, berhenti, atau meminta penjelasan?
- Adakah hasil memenuhi keperluan yang ditetapkan?
- Perlukah tugasan ditingkatkan kepada manusia?
Aplikasi kekal bertanggungjawab atas kebenaran, ambang, dan kesan sampingan. Jev membekalkan keputusan dan kebarangkalian yang berkaitannya, manakala kod aplikasi menentukan tindakan yang berikut.
Ini mewujudkan pembahagian tanggungjawab. Model generatif mengendalikan penaakulan terbuka, Jev mengendalikan penilaian terhad, kod deterministik menguatkuasakan polisi, dan alat melaksanakan tindakan luaran. Oleh itu, Jev berfungsi sebagai pelengkap kepada ejen AI dan bukannya pengganti model penaakulan utamanya.
Batasan Jev
Jev tidak menjana prosa, kod, atau penjelasan terbuka. Ia direka untuk soalan fokus dengan ruang jawapan yang ditakrif.
Respons type-safe masih boleh mengandungi keputusan yang salah, jadi ketepatan perniagaan mesti dinilai dengan data sebenar. Teks ialah format input yang disokong pada masa ini, dan Inggeris memberikan prestasi terdokumen paling kukuh. Bahasa lain memerlukan ujian berasingan.
Keputusan kelajuan dan kos Jev datang daripada penilaian TypeSafe sendiri dan tidak harus dianggap sebagai jaminan prestasi sejagat.
Jev dan CometAPI
Pada waktu semakan 21 September 2026, Jev tidak disenaraikan sebagai model tersedia umum dalam katalog awam CometAPI. CometAPI merancang untuk menilai dan mengintegrasikan Jev sebaik akses tersedia dan sambungan yang diperlukan dibuka. Pembangun harus menyemak direktori model CometAPI untuk ketersediaan terkini.
Jev kini boleh diakses melalui konsol TypeSafe dan API rasmi mereka. TypeSafe juga menyediakan SDK rasmi Python dan JavaScript. API semasa menggunakan state dan questions berjenis, dengan jev-latest berfungsi sebagai alias model stabil.
Sebaik Jev tersedia melalui CometAPI, pembangun akan dapat mencari ID model, titik akhir yang disokong, harga, dan format permintaan dalam dokumentasi API CometAPI dan direktori model.
Soalan Lazim
Apakah Jev AI?
Jev ialah model utama TypeSafe dan model System One pertamanya. Ia menilai keadaan berasaskan teks terhadap soalan berjenis dan memulangkan keputusan berstruktur serta kebarangkalian bukannya teks terjana.
Adakah Jev model bahasa besar?
TypeSafe tidak mempersembahkan Jev sebagai LLM tradisional. Ia menyebut Jev sebagai model System One yang dibina untuk keputusan berstruktur. Syarikat belum menerbitkan kiraan parameternya, jadi model tidak patut diklasifikasikan sebagai besar atau kecil berdasarkan maklumat awam.
Apakah Choice, Score, dan Noul?
Choice memilih satu pilihan daripada set yang ditakrif dan memulangkan kebarangkalian serta keyakinan. Score meletakkan keadaan pada rubrik bertertib dan juga memulangkan kebarangkalian serta keyakinan. Noul memulangkan nilai dari 0 hingga 1 yang mewakili kebarangkalian bahawa pernyataan adalah benar.
Adakah Jev menjana teks atau kod?
Tidak. Jev memulangkan keputusan terhad. Model generatif diperlukan apabila aliran kerja memerlukan prosa, dialog, kod sumber, atau penjelasan terbuka.
Bolehkah Jev menggantikan GPT, Claude, atau Gemini?
Tidak. Jev menangani tugasan keputusan terhad, manakala LLM tujuan umum mengendalikan penjanaan dan penaakulan lanjutan. Sistem produksi boleh menggunakan kedua-dua jenis model untuk peringkat berbeza dalam aliran kerja yang sama.
Adakah Jev menyokong imej, audio, atau video?
Tidak secara langsung. Model semasa menerima teks sebagai rentetan, objek JSON, atau tatasusunan nilai teks. Input bukan teks mesti ditukar terlebih dahulu kepada teks atau medan berstruktur.
Adakah output type-safe menjamin keputusan yang betul?
Tidak. Keselamatan jenis menjamin bahawa output mematuhi struktur yang disokong. Jev masih boleh memilih pilihan sah yang salah atau memperuntukkan kebarangkalian yang tidak tepat. Ketepatan perniagaan mesti diukur dengan data yang mewakili.
Adakah Jev sumber terbuka?
TypeSafe belum mengeluarkan berat model Jev secara umum. Syarikat menerbitkan dokumentasi, SDK, contoh, dan kod integrasi berkaitan, tetapi sumber tersebut tidak menjadikan model itu sendiri open weight.
Kesimpulan
Jev memperkenalkan antaramuka model yang dibina sekeliling keputusan bukannya penjanaan bahasa. Ia menerima keadaan dikongsi dan soalan atomik, berjenis, kemudian memulangkan kategori, skor, kebarangkalian binari, dan ukuran ketidakpastian yang boleh digunakan terus oleh perisian.
Peranan paling munasabahnya bukan menggantikan LLM tujuan umum. Ia ialah mengendalikan pertimbangan kerap dan terhad di sekelilingnya. Penghalaan sokongan pelanggan, pemilihan model, semakan risiko alat, pengesahan output, moderasi, dan pengelasan aliran kerja semua sesuai dengan corak itu apabila ruang jawapan ditakrif lebih awal.
Nilai produksi bergantung pada lebih daripada kependaman rendah atau skema yang sah. Pasukan memerlukan penilaian yang mewakili, ambang terkalibrasi, peraturan kebenaran yang jelas, kawalan versi model, dan laluan semakan manusia. Angka kelajuan dan kos yang diterbitkan TypeSafe menjadikan Jev berbaloi diuji untuk beban kerja berat keputusan, tetapi dakwaan tersebut kekal terikat kepada kaedah penilaian syarikat dan harus disahkan pada data aplikasi sebenar.
Bagi pasukan yang sudah menggunakan beberapa model generatif melalui CometAPI, Jev menggambarkan seni bina yang lebih luas di mana penjanaan, pertimbangan berkemungkinan, polisi deterministik, dan pelaksanaan alat ialah komponen berasingan. Pemisahan itu menjadikan setiap bahagian lebih mudah diuji dan memberikan kod aplikasi kawalan akhir terhadap apa yang berlaku seterusnya.