Jev er TypeSafe AIs første System One-modell, laget for applikasjoner som trenger strukturerte beslutninger heller enn generert prosa. Den evaluerer oppgitt informasjon mot klart definerte spørsmål og returnerer typede svar, sannsynlighetsfordelinger og, der det er relevant, konfidensscore.

I motsetning til en konvensjonell stor språkmodell er ikke Jev ment for chatting, koding eller å skape langformatinnhold. Dens formål er å gjøre avgrensede vurderinger som programvare umiddelbart kan bruke til klassifisering, ruting, scoring, verifisering, prioritering og styring av arbeidsflyt.

Modellinformasjon ble gjennomgått 21. september 2026.

Tekniske spesifikasjoner for Jev

Priser, aliaser og frekvensgrenser kan endres. Utviklere bør verifisere siste informasjon før en arbeidsbelastning flyttes i produksjon.

Hva er Jev?

Jev er en beslutningsmodell utviklet av TypeSafe AI. I stedet for å generere en sekvens med åpne tokens, velger den verdier fra svarrom definert av utvikleren.

En Jev-forespørsel inneholder to hovedkomponenter:

• Tilstand: Informasjonen modellen skal evaluere, som en supportsak, transaksjonspost, agentspor, produktbeskrivelse eller JSON-formatert applikasjonstilstand.
• Spørsmål: Typede definisjoner av de vurderingene som skal gjøres om den tilstanden.

De resulterende svarene er ment for direkte bruk av programvare. En applikasjon kan forgrene seg basert på valgt kategori, sammenligne scorer, inspisere sannsynligheter, anvende en konfidens-terskel eller sende en usikker sak til en menneskelig vurderer.

Jev fungerer derfor som et probabilistisk beslutningslag mellom applikasjonsdata og deterministisk forretningslogikk. Den håndterer vurderinger som er vanskelige å uttrykke med faste regler, samtidig som applikasjonskoden beholder kontroll over terskler, tillatelser og handlinger.

Hvordan fungerer Jev

Tre beslutningsprimitiver

Jev støtter tre spørsmålstyper designet for ulike typer programvarebeslutninger.

Choice velger ett alternativ fra et forhåndsdefinert sett. Det passer for oppgaver som intensjonsklassifisering, rutesetting av saker, policykategorisering og modellvalg. Svaret inkluderer valgt alternativ, sannsynlighet for hvert alternativ og en konfidensscore.

Score evaluerer tilstanden mot en ordnet vurderingsskala. Den kan måle kvaliteter som hast, risiko, relevans, frustrasjon eller innholdskvalitet. Svaret inkluderer en score, sannsynligheter for hvert nivå i skalaen og en konfidensscore.

Noul estimerer sannsynligheten for at en påstand er sann. Den returnerer en verdi mellom 0 og 1 og er nyttig for verifisering, policy-sjekker, berettigelsesbeslutninger og fullføringskontroller. I motsetning til Choice og Score returnerer ikke Noul et eget konfidensfelt fordi utdataene allerede er en sannsynlighet.

Parallell vurdering av spørsmål

En enkelt forespørsel kan inneholde flere Choice-, Score- og Noul-spørsmål. Jev evaluerer dem uavhengig og parallelt mot samme tilstand.

For eksempel kan en støtteplattform klassifisere en sak, vurdere hast og estimere om menneskelig eskalering trengs i én forespørsel. TypeSafe opplyser at å legge til uavhengige spørsmål har liten effekt på responstiden.

Spørsmål i samme forespørsel kan ikke være avhengige av hverandres svar. Sekvensielle beslutninger bør implementeres gjennom separate kall koblet med applikasjonslogikk.

Typesikre svar

Jevs mulige svarstrukturer er definert før inferens. Dette forhindrer ugyldig JSON, uventede felt og forklarende tekst fra å dukke opp der en kategori eller numerisk verdi kreves.

Typesikkerhet garanterer kun svarformatet. Jev kan fortsatt returnere en gyldig, men feil beslutning, så produksjonsteam må evaluere nøyaktigheten ved bruk av representativ data.

Eksplisitt sannsynlighet og konfidens

Choice og Score eksponerer sannsynlighetsfordelingen bak hvert svar. Deres konfidensverdi oppsummerer hvor sterkt fordelingen favoriserer ett utfall.

Applikasjoner kan bruke konfidens for å automatisere klare beslutninger, be om bekreftelse når usikkerheten er moderat, og rute tvetydige saker til et menneske eller en fallback-modell.

Riktig terskel avhenger av risiko. Tagging av en supportsak kan tåle mer usikkerhet enn å godkjenne en transaksjon eller utføre en irreversibel handling.

Lav-latens inferens

TypeSafe rapporterer ende-til-ende responstider på omtrent 70 til 500 millisekunder. Dette gjør Jev egnet for interaktiv ruting, gjentatte agentkontroller og andre beslutningstunge arbeidsflyter der et tregere kall til en generativ modell kan påvirke responsiviteten.

Faktisk latens avhenger av tilstandsstørrelse, tjenestelast, nettverksforhold og distribusjonsregion.

Tilpasning på forespørselsnivå

Jev tilpasses ikke gjennom kontospesifikke finjusteringer eller LoRA-adaptere. Utviklere tilpasser modellen ved å oppgi relevant tilstand, skrive presise instruksjoner, definere klare kriterier og kombinere atomiske beslutninger i applikasjonskoden.

Denne tilnærmingen holder forretningsregler synlige og lar team endre arbeidsflytlogikk uten å trene modellen på nytt.

Versjonerte modeller og stabile aliaser

TypeSafe tilbyr faste modell-ID-er og bevegelige aliaser. jev-1.13.0 identifiserer en spesifikk utgivelse, mens jev-latest peker til siste stabile versjon. jev-preview kan peke til en nyere forhåndsvisningsversjon når en er tilgjengelig.

Aliaser forenkler eksperimentering, men oppførselen kan endres etter en oppdatering. Produksjonsapplikasjoner med kalibrerte terskler bør feste en testet versjon og logge modell-ID-en som returneres med hvert svar.

Benchmark-ytelse for Jev

Jev er ikke laget for generelle benchmarker fokusert på skriving, koding, matematiske utledninger eller langt resonnering. Mer relevante målinger inkluderer beslutningskvalitet, sannsynlighetskalibrering, latens, kostnad og utgangspålitelighet.

TypeSafe rapporterer:

• Ende-til-ende responstider på 70–500 millisekunder
• Omtrent 40–200× raskere kjøring på sammenlignbare System One-oppgaver
• Toppresultater i arbeidsflyter på 193.6× høyere hastighet
• Topp rapporterte kostnadsforbedringer på 444.6×

Dette er leverandørrapporterte resultater og bør ikke behandles som universelle ytelsesgarantier. TypeSafes arbeidsflytvurderinger sammenligner modeller på strukturerte beslutningsgrafer og bruker de gjennomsnittlige prediksjonene til utvalgte høyende eksterne modeller som referansesannsynligheter.

TypeSafe erkjenner også at medlemmer av deres team for modellkapabiliteter laget de evaluerte arbeidsflytene, noe som kan introdusere skjevhet. De rapporterte gevinstene ligger sannsynligvis nærmere øvre del av hva applikasjoner kan observere.

Jev vs LLM med strukturert utdata vs klassisk klassifikator vs regelmotor

Jev er mest nyttig når faste regler er for skjøre, det ville være kostbart å lage en dedikert klassifikator, og applikasjonen ikke trenger generert tekst.

En tradisjonell LLM er fortsatt et bedre valg når en oppgave krever research, forklaring, innholdsskaping, planlegging eller flertrinns resonnering. En regelmotor er fortsatt å foretrekke når riktig betingelse allerede er eksplisitt og deterministisk.

Anbefalte bruksområder

Jev egner seg best for hyppige beslutninger med et forhåndsdefinert svarrom.

• Ruting og triage: Klassifiser forespørsler, velg køer eller verktøy, og prioriter hastesaker.
• Agentkontroll: Sjekk oppgavefullføring, vurder foreslåtte handlinger og identifiser saker som krever bekreftelse.
• LLM-evaluering: Vurder relevans, bevisstøtte, policy-etterlevelse eller svarkvalitet.
• Moderering: Kategoriser policybrudd, vurder alvorlighetsgrad og eskaler usikre saker.
• Berikelse av data: Konverter meldinger, vurderinger, leads og poster til kategorier, scorer og sannsynlighetsfunksjoner.
• Sanntidsbeslutninger: Støtt applikasjonsatferd med lav latens der en full generativ respons er unødvendig.

Begrensninger ved Jev

Jev er bevisst spesialisert, og det smale designet medfører flere viktige begrensninger.

• Den kan ikke generere prosa, kode, sammendrag eller samtalesvar.
• Den er ikke ment for utvidet research eller flertrinns resonnering.
• Typesikre utdata garanterer ikke riktig forretningsbeslutning.
• Bilder, lyd, video og binærfiler må konverteres til tekst eller strukturerte data før innsending.
• Engelsk er det best dokumenterte språket.
• Ikke-engelske og CJK-arbeidsmengder krever uavhengig evaluering.
• Spørsmål innen én forespørsel evalueres uavhengig.
• Modellen kan ikke konstruere en sekvensiell resonnementskjede på tvers av disse spørsmålene.
• TypeSafe har ikke oppgitt antall parametere eller sluppet vektene.
• Tilpasning skjer gjennom forespørselen og ikke kundespesifikk finjustering.
• Publiserte ytelsesgevinster kommer fra TypeSafes egen evalueringsramme.
• Bevegelige aliaser kan introdusere atferdsendringer uten endring i applikasjonskode.

Jev bør ikke erstatte deterministisk kode for tillatelser, finansielle beregninger, juridiske krav, filstørrelsesgrenser eller retningslinjer for irreversible handlinger. Probabilistiske modeller er nyttige for usikre vurderinger, ikke for betingelser som programvare allerede kan evaluere nøyaktig.

Hvordan gir CometAPI tilgang til Jev-API-et?

Jev er for øyeblikket ikke tilgjengelig i CometAPIs offentlige modellkatalog. CometAPI planlegger å evaluere og integrere Jev når modelltilgang blir tilgjengelig og nødvendige tilkoblingstillatelser åpnes.

Etter integrasjon vil utviklere kunne sjekke CometAPIs modelldirectory og API-dokumentasjon for støttet modell-ID, forespørselsformat, priser, frekvensgrenser og tilgjengelige endepunkter.

Inntil integrasjonen offisielt annonseres, bør utviklere bruke TypeSafes konsoll, native API eller offisielle SDK-er for å få tilgang til Jev. En CometAPI-integrasjon bør bare anses som tilgjengelig etter at Jev vises i den offentlige modellkatalogen med verifisert API-informasjon.