Hva er Jev? TypeSafes System One-modell forklart

TL;DR

Jev er en beslutningsmodell utviklet av TypeSafe AI. TypeSafe introduserte Jev 15. september 2026 som sin første System One-modell, utformet for å returnere strukturerte beslutninger og sannsynligheter som programvare kan bruke direkte. Denne veiledningen bygger primært på TypeSafes offisielle dokumentasjon, Quick Start-guide, modellreferanse og selskapets offisielle kunngjøring av Jev.

Jev skriver ikke prosatekst, genererer ikke kode og fører ikke samtaler. Den evaluerer en tekstbasert state opp mot typede spørsmål og returnerer strukturerte svar som en applikasjon kan bruke direkte.

Skillet er viktig for programvareflyter. En konvensjonell stor språkmodell produserer tokens, selv når en applikasjon bare trenger en kategori, en poengsum eller en ja/nei-vurdering. Jev er designet rundt selve beslutningen. Grensesnittet aksepterer en state og ett eller flere spørsmål, og returnerer typede verdier og sannsynlighetsfordelinger. Choice- og Score-svar inkluderer også en konfidensverdi.

Jev er ment for klassifisering, ruting, scoring, verifisering, guardrails og andre avgrensede beslutninger. Den er ikke en generell erstatning for GPT, Claude, Gemini eller andre generative modeller. I en AI-agent kan en generativ modell planlegge eller skape innhold, mens Jev håndterer hyppige beslutninger som å velge rute, sjekke risiko eller avgjøre om et resultat trenger gjennomgang.

Viktige hovedpunkter

• Jev er utviklet av TypeSafe og presenteres for tiden som deres flaggskipsmodell i System One-serien.
• Modellen aksepterer tekstbasert state pluss typede spørsmål. Den returnerer strukturerte beslutninger i stedet for generert prosatekst.
• Jev støtter tre spørsmålstyper kalt Choice, Score og Noul.
• Flere spørsmål kan evalueres uavhengig og parallelt mot samme state i én forespørsel.
• TypeSafe trener Jev med Reinforcement Learning for Calibrated Decisions, eller RLCD.
• Den nåværende offisielle modellsiden oppgir Jev 1.13 med en forespørselsgrense på 64 000 tokens og kun tekstlig input.
• Offisiell prising er $0.042 per million tokens. Output-tokens er oppgitt som gratis.
• Typesikker output forhindrer skjemaavvik. Den garanterer ikke at hver forretningsbeslutning er korrekt.
• TypeSafe rapporterer latenstid på 70 til 500 millisekunder og store gevinster på egne arbeidsflytevalueringer. Tallene er leverandørrapporterte og gjelder System One-formede oppgaver.

Hva er Jev?

Jev er en beslutningsmodell bygget av TypeSafe AI. Den offisielle dokumentasjonen beskriver den som selskapets flaggskipsmodell og den første System One-modellen. Input har to hoveddeler.

Den første delen er state. State er informasjonen Jev skal inspisere, slik som en kundemelding, en hendelsesrapport, en samling poster eller et JSON-objekt som inneholder applikasjonskontekst.

Den andre delen er et sett med typede spørsmål. Hvert spørsmål definerer vurderingen som skal gjøres og den tillatte formen på svaret. Jev evaluerer spørsmålene mot state og returnerer resultater som kode kan forgrene på, sortere, score eller route.

Tenk på en supporthenvendelse som rapporterer at en betalingsintegrasjon har feilet i tre dager. Et supportsystem trenger kanskje ikke et avsnitt som beskriver situasjonen. Det kan i stedet trenge tre smale beslutninger:

• Hvilket team skal motta saken?
• Hvor frustrert virker kunden?
• Krever meldingen umiddelbar oppmerksomhet?

Jev kan representere disse som et Choice-, et Score- og et Noul-spørsmål i én forespørsel. Responsen inneholder valgt kategori eller score, relevant sannsynlighetsfordeling og konfidens der det støttes. Applikasjonen avgjør deretter hva som skal gjøres med disse verdiene.

Denne arbeidsdelingen er bevisst. Modellen leverer en usikker vurdering i et stabilt format. Applikasjonskode beholder kontrollen over terskler, rettigheter, sideeffekter og fallback-oppførsel.

Hva er en System One-modell?

TypeSafe bruker System One-modell for en klasse modeller designet for å ta raske, strukturerte beslutninger som programvare kan konsumere. Navnet trekker på skillet mellom rask og langsom tenkning forbundet med Daniel Kahnemans arbeid. Det beskriver modellens tiltenkte rolle, ikke et krav om at en programvaremodell gjenskaper menneskelig kognisjon.

En System One-oppgave har et avgrenset mål. En kunnskapsrik vurderer bør kunne ta avgjørelsen raskt gitt tilstrekkelig kontekst. Eksempler inkluderer å velge en intensjon, vurdere hastverk på en definert skala, sjekke om et krav er støttet eller avgjøre om en forespørsel bør eskaleres.

Oppgaver som krever utvidet research, flertrinns deduksjon, langformede forklaringer eller innholdsskaping passer dårlig. TypeSafe anbefaler å dekomponere brede vurderinger til atomiske spørsmål og kombinere resultatene i kode.

For eksempel er vurder denne oppstartspitchen for bredt til å produsere en etterprøvbar beslutning. Markedsstørrelse, teknisk gjennomførbarhet og differensiering kan i stedet evalueres som separate spørsmål. Applikasjonen kan kombinere disse poengene med en eksplisitt formel. Hvis forretningsprioriteringer endres, kan vektene endres i kode uten å gjøre modellprompten til skjult forretningslogikk.

Hvordan fungerer Jev?

Jevs operative kontrakt kan skrives som:

State + typede spørsmål -> typede beslutninger + sannsynligheter

Dette skiller seg fra den vanlige språkmodellenes flyt:

Prompt -> genererte tokens -> parsing og validering -> applikasjonsbeslutning

Skillet handler ikke bare om et annet responsformat. Tradisjonell strukturert output ber fortsatt en generativ modell om å produsere en sekvens av tokens som samsvarer med et skjema. Jev er designet for å returnere verdier fra svarrom som er definert på forhånd.

Dagens API aksepterer state som en streng, et JSON-objekt eller en array av tekstverdier. Input er kun tekst. Bilder, lyd, video og binære dokumenter må konverteres til tekst eller strukturerte felt før innsending.

Hvert spørsmål i en forespørsel evalueres uavhengig mot samme state. Ifølge TypeSafes dokumentasjon endrer det knapt svartiden å legge til spørsmål, fordi spørsmålene evalueres parallelt. Uavhengighet forhindrer også at ett spørsmåls svar blir kontekst for et annet spørsmål i samme kall.

Den oppførselen har en viktig designkonsekvens. Hvis én beslutning faktisk avhenger av en annen, hører avhengigheten hjemme i applikasjonsflyten. Kjør første evaluering, oppdater state eller forgren i kode, og utfør deretter neste evaluering. Én forespørsel egner seg best for spørsmål som deler bevis, men ikke avhenger av hverandres svar.

De tre Jev-spørsmålstypene

Jev eksponerer tre primitiver. Hver matcher en annen type programvarebeslutning.

Choice

Et Choice-spørsmål velger ett alternativ fra kriterier definert av applikasjonen. En supportflyt kan for eksempel oppgi billing, technical og sales, med en beskrivelse for hver kategori. Jev returnerer det valgte alternativet, sannsynligheten til hvert alternativ og en konfidensverdi avledet fra formen på den fordelingen.

Kategoridesign påvirker nytten av resultatet. Overlappende alternativer skaper tvetydighet. Manglende alternativer tvinger modellen mot et svar som kanskje ikke passer. Produksjonstaksonomier bør inkludere en rute som insufficient_evidence eller human_review når arbeidsflyten må bevare usikkerhet.

Formuleringen bør også matche den faktiske beslutningen. Hvilket team bør undersøke først ber om en foreløpig rute. Hvilket team forårsaket feilen ber om en diagnose. De kan bruke samme liste over team, men de spør ikke om det samme.

Score

Et Score-spørsmål plasserer state på en ordnet rubrikk. Kriteriene kan beskrive nivåer som rolig, frustrert og sint, eller definere en mer detaljert forretningsskala. Responsen inkluderer en numerisk poengsum, en forklaring som knytter tall til nivåer, en sannsynlighetsfordeling over nivåene og konfidens.

En nyttig Score-rubrikk beskriver observerbare forskjeller. Etiketter uten definisjoner lar modellen og menneskelige vurderere utlede ulike standarder. En risikoskala bør angi hva som skiller hvert nivå. En kvalitetsskala bør angi hvilke krav som er til stede eller mangler.

Hvis en poengsum blander uavhengige forhold, er det bedre å splitte dem. Relevans, faktisk støtte, tone og policy-etterlevelse kan være separate spørsmål. Applikasjonskoden kan beregne en sammensatt poengsum med vekter som forblir synlige og testbare.

Noul

Noul er TypeSafes binære beslutningsprimitive. Den estimerer sannsynligheten for at en påstand er sann og returnerer et tall fra 0 til 1. En verdi på 0,9 representerer en høyere estimert sannsynlighet for sannhet enn en verdi på 0,6.

Noul returnerer ikke det separate feltet confidence som brukes av Choice og Score. Outputen er allerede en sannsynlighet for påstanden som evalueres. Spørsmålet bør derfor skrives som en testbar påstand, slik som meldingen formidler hastverk eller svaret er støttet av den oppgitte kilden.

Noul er nyttig for verifisering og gating, men terskelen hører hjemme i applikasjonen. Et lavrisiko grensesnittforslag kan tåle en lavere terskel enn en irreversibel finansiell eller administrativ handling.

Atomiske spørsmål og komponerte arbeidsflyter

Jev fungerer best når hvert spørsmål spør om én snever ting. Denne utformingen gjør output enklere å inspisere og lar programvaren eie den endelige policyen.

Anta at en agent må avgjøre om et verktøykall skal kjøres. Et bredt spørsmål som bør denne handlingen kjøres kan blande tillatelser, reverserbarhet, datasensitivitet, brukerintensjon og operasjonell risiko. En mer etterprøvbar arbeidsflyt evaluerer disse dimensjonene separat:

• Er verktøykallet konsistent med brukerens forespørsel?
• Overfører det sensitiv informasjon?
• Er handlingen destruktiv eller vanskelig å reversere?
• Påvirker den en ekstern konto?
• Krever policy ytterligere bekreftelse?

Harnessen kan deretter kombinere svarene med deterministiske regler. En destruktiv operasjon kan kreve bekreftelse uansett modellens samlede konfidens. En skrivebeskyttet operasjon kan følge en mindre restriktiv vei. Denne ordningen holder tillatelser i kode og bruker Jev kun for vurderinger som ikke kan uttrykkes pålitelig som faste regler.

Jev vs tradisjonelle LLM-er

Jev og store språkmodeller har ulike roller.

Jev bør ikke beskrives som en mindre chatbot. TypeSafe har ikke publisert et parameterantall eller nok arkitekturdettaljer til å klassifisere modellen etter størrelse. Den offentlige distinksjonen er basert på treningsmål, sampemetode og grensesnitt.

Jev erstatter heller ikke deterministisk kode. Faste regler er fortsatt riktig verktøy når forhold er eksplisitte og stabile. En skatteberegning, en tillatelsesliste eller en filstørrelsesgrense bør ikke bli et probabilistisk modellkall. Jev er nyttig der håndskrevne regler er for skjøre, men det ønskede svaret fortsatt kan avgrenses.

Jev vs strukturert LLM-output

Strukturert output lar en språkmodell returnere JSON eller verdier som samsvarer med et skjema. Det er verdifullt når en arbeidsflyt trenger både generativ resonnering og et maskinlesbart resultat. Jev adresserer et smalere problem.

Med en LLM begrenser skjemaet formen på et generert svar. Med Jev er spørsmålene og svarrommene selve modellgrensesnittet. Jev returnerer sannsynlighetsfordelinger som er ment å delta i applikasjonslogikk, og uavhengige spørsmål evalueres separat mot delt state.

Matchende JSON-former etablerer ikke matchende atferd. To systemer kan begge returnere et felt kalt department, men likevel avvike i latenstid, kalibrering, håndtering av tvetydighet og responsstabilitet. Team som sammenligner Jev med strukturert LLM-output bør holde applikasjonsskjemaet konstant og teste begge systemer på samme merkede data.

RLCD og kalibrerte beslutninger

TypeSafe sier at Jev er trent med Reinforcement Learning for Calibrated Decisions. RLCD skiller seg i mål fra RLHF og RLVR.

RLHF optimaliserer svar ved bruk av menneskelige preferansesignaler og har vært mye brukt for samtaleassistenter. RLVR bruker verifiserbare belønninger og forbindes med oppgaver der korrekthet kan sjekkes programmatisk. RLCD trener TypeSafes modeller til å returnere beslutninger og kalibrerte sannsynligheter i stedet for generert tekst.

Kalibrering gjelder grupper av prediksjoner. Hvis en modell er godt kalibrert, bør utfall som er gitt en sannsynlighet nær 0,8 være korrekte omtrent 80 prosent av tiden over et passende sett av tilfeller. Det garanterer ikke at en bestemt prediksjon med sannsynlighet 0,8 er korrekt.

Sannsynlighet og konfidens bør ikke behandles som utskiftbare. Choice og Score eksponerer fullstendige sannsynlighetsfordelinger. TypeSafe avleder konfidens fra formen på hver fordeling. En fordeling konsentrert om ett alternativ gir høyere konfidens; en flatere fordeling signaliserer tvetydighet. Team kan bruke oppgitt konfidens eller beregne en annen statistikk fra sannsynlighetene.

Noul har ikke et separat konfidensfelt. Verdien er den estimerte sannsynligheten for at påstanden er sann.

Jev-modellspesifikasjoner og prising

Følgende detaljer kommer fra TypeSafes offisielle modelldokumentasjon gjennomgått 21. september 2026.

TypeSafe bemerker at rategrenser justeres dynamisk og kan endres uten varsel. Gjeldende grenser og priser bør sjekkes før produksjonsutrulling.

Dokumentasjonen opplyser også at engelsk er primært treningsspråk og for tiden gir best nøyaktighet. Andre språk, inkludert CJK-skript, støttes men ikke like godt. En kinesisk, japansk eller koreansk arbeidslast bør evalueres på representative data før automatiserte beslutninger aktiveres.

TypeSafe sier at Jev ikke finjusteres eller LoRA-tilpasses med hver kundes data. De samme modellvektene betjener alle kontoer. Domenatferd formes gjennom state, instruksjoner, kriterier og applikasjonsside komposisjon. Selskapet opplyser også at kunders forespørsler og responser ikke brukes til å trene Jev. Bedriftskunder kan konsultere TypeSafes juridiske dokumentasjon for vilkår om null dataretensjon.

Hvor rask er Jev?

TypeSafe rapporterer ende-til-ende svartider mellom 70 og 500 millisekunder. Lanseringsinnlegget sammenligner dette intervallet med 3 til 329 sekunder for utvalgte kall til frontmodeller og beskriver Jev som 40 til 200 ganger raskere ved sammenlignbare intelligensnivåer på System One-formede spørringer.

Selskapet rapporterer også toppgevinster på 193,6 ganger i hastighet og 444,6 ganger i kostnad på sine arbeidsflytevalueringer. Disse tallene krever kontekst.

De kommer fra TypeSafes egen evalueringsramme. Arbeidsflytene sammenligner modeller på strukturerte beslutningsgrafer og bruker gjennomsnittsprediksjoner fra utvalgte eksterne toppmodeller som referansesannsynligheter. TypeSafe oppgir at rapporterte gevinster sannsynligvis ligger nær høyenden av reelle forbedringer og erkjenner mulig bias fordi medlemmer av modellkapabilitetsteamet laget arbeidsflytene.

Disse resultatene bør ikke leses som en generell påstand om at Jev er hundrevis av ganger raskere enn enhver LLM på enhver oppgave. Jev gir avkall på tekstgenerering og retter seg mot avgrensede beslutninger. En rettferdig sammenligning bør bruke oppgaver begge systemer kan utføre, måle beslutningskvalitet så vel som latenstid, og inkludere kostnaden for validering, retries og menneskelig gjennomgang.

Hva er Jev best for

Jev passer best til høyvolums arbeidsflyter med et definert svarrom og behov for usikkerhetsestimater.

• Customer Support Triage: Klassifiser en sak etter avdeling, hastverk, frustrasjon, frafallsrisiko eller behov for menneskelig gjennomgang.
• Intent and Model Routing: Identifiser forespørselstypen og rute den til riktig verktøy, arbeidsflyt, agent eller modell. Konfidens kan avgjøre om ruting skjer automatisk.
• Agent Tool Risk Checks: Evaluer foreslåtte verktøykall for destruktive handlinger, sensitiv data eller inkonsistens med brukerens forespørsel før kjøring. Applikasjonskode forblir ansvarlig for tillatelser.
• LLM Output Evaluation: Sjekk om et LLM-svar støttes av gitt kontekst, følger påkrevd format eller trenger menneskelig gjennomgang.
• Content Moderation: Bruk Choice for policykategorier, Score for alvorlighetsgrad og Noul for binære regelkontroller. Lavkonfidens-tilfeller kan sendes til moderatorer.
• High-Volume Data Processing: Prosesser logger, e-poster, anmeldelser, leads, annonser eller dokumentsegmenter når hver post kan evalueres uavhengig og output er en kategori, poengsum eller sannsynlighet.

Hvor Jev passer inn i en AI-agent

En AI-agent kombinerer typisk en generativ modell, verktøy, applikasjonsstate og regler som styrer kjøring. Jev passer inn i dette systemet som et strukturert beslutningslag rundt den primære generative modellen.

Den generative modellen kan håndtere åpne oppgaver som å tolke en forespørsel, planlegge en arbeidsflyt, skrive innhold eller generere kode. Jev kan håndtere smalere beslutninger som må skje gjentatte ganger under arbeidsflyten:

• Hvilket verktøy eller hvilken modell bør brukes?
• Er den foreslåtte handlingen risikabel eller inkonsistent med forespørselen?
• Bør agenten fortsette, prøve igjen, stoppe eller be om avklaring?
• Oppfyller resultatet et definert krav?
• Bør oppgaven eskaleres til et menneske?

Applikasjonen forblir ansvarlig for tillatelser, terskler og sideeffekter. Jev leverer en beslutning og tilhørende sannsynlighet, mens applikasjonskoden avgjør hva som skjer videre.

Dette skaper en ansvarsdeling. Generative modeller håndterer åpne vurderinger, Jev håndterer avgrensede evalueringer, deterministisk kode håndhever policy, og verktøy utfører eksterne handlinger. Jev fungerer derfor som et supplement til en AI-agent snarere enn en erstatning for dens hovedresonneringsmodell.

Begrensninger ved Jev

Jev genererer ikke prosatekst, kode eller åpne forklaringer. Den er designet for fokuserte spørsmål med definerte svarrom.

En typesikker respons kan fortsatt inneholde en feil beslutning, så forretningsnøyaktighet må evalueres med reelle data. Tekst er for tiden det støttede inputformatet, og engelsk gir den sterkeste dokumenterte ytelsen. Andre språk krever separat testing.

Jevs hastighets- og kostnadstall kommer fra TypeSafes egne evalueringer og bør ikke behandles som universelle ytelsesgarantier.

Jev og CometAPI

Per 21. september 2026 var ikke Jev oppført som en allment tilgjengelig modell i CometAPIs offentlige katalog. CometAPI planlegger å evaluere og integrere Jev når tilgang blir tilgjengelig og nødvendig tilkobling er åpen. Utviklere bør sjekke CometAPI-modellkatalogen for siste tilgjengelighet.

Jev kan for øyeblikket nås gjennom TypeSafe-konsollen og dens offisielle API. TypeSafe tilbyr også offisielle Python- og JavaScript-SDK-er. Dagens API bruker state og typede questions, med jev-latest som stabil modellalias.

Når Jev blir tilgjengelig gjennom CometAPI, vil utviklere kunne finne modell-ID, støttet endepunkt, prising og forespørselsformat i CometAPI API-dokumentasjonen og modellkatalogen.

Ofte stilte spørsmål

Hva er Jev AI?

Jev er TypeSafes flaggskipsmodell og deres første System One-modell. Den evaluerer tekstbasert state mot typede spørsmål og returnerer strukturerte beslutninger og sannsynligheter i stedet for generert tekst.

Er Jev en stor språkmodell?

TypeSafe presenterer ikke Jev som en tradisjonell LLM. De kaller Jev en System One-modell bygget for strukturerte beslutninger. Selskapet har ikke publisert parameterantall, så modellen bør ikke klassifiseres som stor eller liten basert på offentlig informasjon.

Hva er Choice, Score og Noul?

Choice velger et alternativ fra en definert mengde og returnerer sannsynligheter pluss konfidens. Score vurderer state på en ordnet rubrikk og returnerer også sannsynligheter pluss konfidens. Noul returnerer en verdi fra 0 til 1 som representerer sannsynligheten for at en påstand er sann.

Genererer Jev tekst eller kode?

Nei. Jev returnerer begrensede beslutninger. En generativ modell er nødvendig når en arbeidsflyt trenger prosatekst, dialog, kildekode eller en åpen forklaring.

Kan Jev erstatte GPT, Claude eller Gemini?

Nei. Jev adresserer avgrensede beslutningsoppgaver, mens generelle LLM-er håndterer generering og utvidet resonnering. Et produksjonssystem kan bruke begge modelltypene i forskjellige faser av samme arbeidsflyt.

Støtter Jev bilder, lyd eller video?

Ikke direkte. Den nåværende modellen aksepterer tekst som en streng, et JSON-objekt eller en array av tekstverdier. Ikke-tekstlig input må først konverteres til tekst eller strukturerte felt.

Garanterer typesikker output en korrekt beslutning?

Nei. Typesikkerhet garanterer at output samsvarer med støttet struktur. Jev kan fortsatt velge feil gyldig alternativ eller tildele en unøyaktig sannsynlighet. Forretningsnøyaktighet må måles med representative data.

Er Jev open source?

TypeSafe har ikke offentliggjort Jevs modellvekter. Selskapet publiserer dokumentasjon, SDK-er, eksempler og relatert integrasjonskode, men disse ressursene gjør ikke modellen i seg selv open weight.

Konklusjon

Jev introduserer et modellgrensesnitt bygget rundt beslutninger snarere enn språk-generering. Den aksepterer delt state og atomiske, typede spørsmål, og returnerer deretter kategorier, poeng, binære sannsynligheter og usikkerhetsmål som programvare kan bruke direkte.

Dens mest troverdige rolle er ikke å erstatte generelle LLM-er. Den er å håndtere hyppige, avgrensede vurderinger rundt dem. Kundestøtte-ruting, modellvalg, verktøy-risikosjekker, output-verifisering, moderering og arbeidsflyt-klassifisering passer alle det mønsteret når svarrommet er definert på forhånd.

Produksjonsverdi avhenger av mer enn lav latenstid eller et gyldig skjema. Team trenger representative evalueringer, kalibrerte terskler, eksplisitte tillatelsesregler, modellversjonskontroller og veier for menneskelig gjennomgang. TypeSafes publiserte hastighets- og kostnadstall gjør Jev verdt å teste for beslutningstunge arbeidslaster, men påstandene er fortsatt knyttet til selskapets evalueringsmetode og bør verifiseres på reelle applikasjonsdata.

For team som allerede bruker flere generative modeller gjennom CometAPI, illustrerer Jev en bredere arkitektur der generering, probabilistisk vurdering, deterministisk policy og verktøykjøring er separate komponenter. Den separasjonen gjør hver del enklere å teste og gir applikasjonskoden endelig kontroll over hva som skjer videre.