Jev to pierwszy model System One firmy TypeSafe AI, zaprojektowany dla aplikacji, które potrzebują ustrukturyzowanych decyzji zamiast generowanej prozy. Ocenia dostarczone informacje względem jasno zdefiniowanych pytań i zwraca typizowane odpowiedzi, rozkłady prawdopodobieństwa oraz, gdy ma to zastosowanie, wyniki pewności.

W odróżnieniu od konwencjonalnego dużego modelu językowego, Jev nie jest przeznaczony do czatowania, pisania kodu ani tworzenia długich treści. Jego celem jest podejmowanie ograniczonych osądów, które oprogramowanie może natychmiast wykorzystać do klasyfikacji, trasowania, oceniania, weryfikacji, priorytetyzacji i kontroli przepływów pracy.

Informacje o modelu zostały przejrzane 21 września 2026 r.

Specyfikacja techniczna Jev

Ceny, aliasy i limity przepustowości mogą ulec zmianie. Programiści powinni zweryfikować najnowsze informacje przed przeniesieniem obciążenia do produkcji.

Czym jest Jev?

Jev to model decyzyjny opracowany przez TypeSafe AI. Zamiast generować sekwencję otwartych tokenów, wybiera wartości z przestrzeni odpowiedzi zdefiniowanych przez dewelopera.

Żądanie do Jev zawiera dwa główne komponenty:

• Stan: Informacje, które model powinien ocenić, takie jak zgłoszenie wsparcia, rekord transakcji, ślad agenta, opis produktu lub stan aplikacji w formacie JSON.
• Pytania: Typizowane definicje osądów, które należy wydać na podstawie tego stanu.

Powstałe odpowiedzi są przeznaczone do bezpośredniego użycia przez oprogramowanie. Aplikacja może rozgałęziać się na wybraną kategorię, porównywać wyniki, sprawdzać prawdopodobieństwa, stosować próg pewności lub kierować niepewny przypadek do recenzji przez człowieka.

Jev działa zatem jako probabilistyczna warstwa decyzyjna między danymi aplikacji a deterministyczną logiką biznesową. Obsługuje osądy trudne do wyrażenia za pomocą stałych reguł, pozwalając jednocześnie kodowi aplikacji zachować kontrolę nad progami, uprawnieniami i działaniami.

Jak działa Jev

Trzy prymitywy decyzyjne

Choice wybiera jedną opcję z predefiniowanego zestawu. Nadaje się do zadań takich jak klasyfikacja intencji, trasowanie zgłoszeń, kategoryzacja polityk i wybór modelu. Odpowiedź obejmuje wybraną opcję, prawdopodobieństwo przypisane każdej opcji oraz wynik pewności.

Score ocenia stan względem uporządkowanej skali oceny. Może mierzyć takie cechy, jak pilność, ryzyko, trafność, frustracja lub jakość treści. Odpowiedź zawiera wynik, prawdopodobieństwa dla każdego poziomu skali oraz wynik pewności.

Noul szacuje prawdopodobieństwo, że dane stwierdzenie jest prawdziwe. Zwraca wartość między 0 a 1 i jest przydatny do weryfikacji, sprawdzeń zgodności z polityką, decyzji kwalifikacyjnych i bramek ukończenia. W przeciwieństwie do Choice i Score, Noul nie zwraca osobnego pola pewności, ponieważ jego wynik jest już prawdopodobieństwem.

Równoległa ocena pytań

Jedno żądanie może zawierać wiele pytań typu Choice, Score i Noul. Jev ocenia je niezależnie i równolegle względem tego samego stanu.

Na przykład platforma wsparcia może w jednym żądaniu sklasyfikować zgłoszenie, ocenić jego pilność i oszacować, czy potrzebna jest eskalacja do człowieka. TypeSafe stwierdza, że dodanie niezależnych pytań ma niewielki wpływ na czas odpowiedzi.

Pytania w tym samym żądaniu nie mogą zależeć od odpowiedzi innych pytań. Decyzje sekwencyjne należy implementować poprzez osobne wywołania połączone logiką aplikacji.

Typizowane odpowiedzi

Możliwe struktury odpowiedzi Jev są zdefiniowane przed inferencją. Zapobiega to występowaniu błędnie sformatowanego JSON-u, nieoczekiwanych pól i tekstów objaśniających w miejscach, gdzie wymagana jest kategoria lub wartość liczbowa.

Bezpieczeństwo typów gwarantuje jedynie format odpowiedzi. Jev nadal może zwrócić poprawnie sformatowaną, ale błędną decyzję, dlatego zespoły produkcyjne muszą oceniać jego dokładność na reprezentatywnych danych.

Jawne prawdopodobieństwo i pewność

Choice i Score ujawniają rozkład prawdopodobieństwa stojący za każdą odpowiedzią. Ich wartość pewności podsumowuje, jak silnie ten rozkład faworyzuje jedno z wyjść.

Aplikacje mogą używać pewności do automatyzowania jednoznacznych decyzji, żądania potwierdzenia, gdy niepewność jest umiarkowana, oraz kierowania niejednoznacznych przypadków do człowieka lub modelu zapasowego.

Właściwy próg zależy od ryzyka. Oznaczanie zgłoszenia wsparcia może tolerować większą niepewność niż zatwierdzanie transakcji lub wykonywanie działania nieodwracalnego.

Wnioskowanie o niskim opóźnieniu

TypeSafe raportuje czasy odpowiedzi end-to-end w przybliżeniu od 70 do 500 milisekund. Dzięki temu Jev nadaje się do interaktywnego trasowania, powtarzanych kontroli przez agentów oraz innych przepływów pracy z dużą liczbą decyzji, gdzie wolniejsze wywołanie modelu generatywnego mogłoby pogorszyć responsywność.

Rzeczywiste opóźnienia zależą od rozmiaru stanu, obciążenia usługi, warunków sieciowych i regionu wdrożenia.

Dostosowanie na poziomie żądania

Jev nie jest dostosowywany poprzez fine-tuning kont specyficznych dla klienta ani adaptery LoRA. Deweloperzy adaptują go, dostarczając odpowiedni stan, pisząc precyzyjne instrukcje, definiując jasne kryteria oraz łącząc atomowe decyzje w kodzie aplikacji.

Takie podejście utrzymuje reguły biznesowe w sposób przejrzysty i pozwala zespołom zmieniać logikę przepływu pracy bez ponownego trenowania modelu.

Wersjonowane modele i stabilne aliasy

TypeSafe udostępnia stałe identyfikatory modeli i ruchome aliasy. jev-1.13.0 identyfikuje konkretne wydanie, podczas gdy jev-latest wskazuje najnowszą stabilną wersję. jev-preview może przechodzić do nowszego wydania preview, gdy będzie dostępne.

Aliasy ułatwiają eksperymenty, lecz ich zachowanie może się zmienić po aktualizacji. Aplikacje produkcyjne z skalibrowanymi progami powinny przypinać przetestowaną wersję i rejestrować identyfikator modelu zwracany z każdą odpowiedzią.

Wyniki benchmarków Jev

Jev nie jest projektowany z myślą o ogólnych benchmarkach skupionych na pisaniu, kodowaniu, wyprowadzaniu matematycznym czy długotrwałym rozumowaniu. Bardziej relewantne pomiary obejmują jakość decyzji, kalibrację prawdopodobieństw, opóźnienie, koszt i niezawodność wyjścia.

TypeSafe raportuje:

• Czasy odpowiedzi end-to-end 70–500 milisekund
• Około 40–200× szybsze wykonanie w porównywalnych zadaniach System One
• Szczytowe wyniki przepływów pracy: 193.6× wyższa szybkość
• Zgłaszane szczytowe poprawy kosztów: 444.6×

Są to wyniki raportowane przez dostawcę i nie powinny być traktowane jako uniwersalne gwarancje wydajności. Ewaluacje przepływów pracy TypeSafe porównują modele na ustrukturyzowanych grafach decyzyjnych i używają uśrednionych predykcji wybranych, wysokiej klasy modeli zewnętrznych jako prawdopodobieństw referencyjnych.

TypeSafe przyznaje również, że członkowie jego zespołu ds. możliwości modeli stworzyli oceniane przepływy pracy, co może wprowadzać bias. Zgłaszane zyski są prawdopodobnie bliższe górnej granicy tego, co mogą obserwować aplikacje.

Jev vs LLM o strukturze wyjściowej vs Klasyczny klasyfikator vs Silnik reguł

Jev jest najbardziej użyteczny, gdy stałe reguły są zbyt kruche, stworzenie dedykowanego klasyfikatora byłoby kosztowne, a aplikacja nie potrzebuje generowanego tekstu.

Tradycyjny LLM pozostaje lepszym wyborem, gdy zadanie wymaga researchu, wyjaśnień, tworzenia treści, planowania lub wieloetapowego rozumowania. Silnik reguł nadal jest preferowany, gdy poprawny warunek jest już jawny i deterministyczny.

Zalecane przypadki użycia

Jev najlepiej nadaje się do częstych decyzji z predefiniowaną przestrzenią odpowiedzi.

• Trasowanie i triage: klasyfikuj zgłoszenia, wybieraj kolejki lub narzędzia, priorytetyzuj pilne przypadki.
• Kontrola agentów: sprawdzaj ukończenie zadań, oceniaj proponowane działania, identyfikuj przypadki wymagające potwierdzenia.
• Ewaluacja LLM: oceniaj trafność, wsparcie dowodami, zgodność z polityką lub jakość odpowiedzi.
• Moderacja: kategoryzuj naruszenia polityk, oceniaj ich dotkliwość i eskaluj niepewne przypadki.
• Wzbogacanie danych: przekształcaj wiadomości, recenzje, leady i rekordy w kategorie, wyniki i cechy prawdopodobieństwa.
• Decyzje w czasie rzeczywistym: wspieraj zachowanie aplikacji o niskim opóźnieniu, gdzie pełna odpowiedź generatywna nie jest potrzebna.

Ograniczenia Jev

Jev jest celowo wyspecjalizowany, a jego wąski projekt powoduje kilka ważnych ograniczeń.

• Nie potrafi generować prozy, kodu, podsumowań ani odpowiedzi konwersacyjnych.
• Nie jest przeznaczony do rozszerzonego researchu ani wieloetapowego rozumowania.
• Bezpieczeństwo typów nie gwarantuje poprawnej decyzji biznesowej.
• Obrazy, audio, wideo i pliki binarne muszą zostać przekształcone w tekst lub dane strukturalne przed wysłaniem.
• Najlepiej udokumentowanym językiem jest angielski.
• Zadania w językach innych niż angielski oraz w CJK wymagają niezależnej oceny.
• Pytania w jednym żądaniu są oceniane niezależnie.
• Model nie może konstruować sekwencyjnego łańcucha rozumowania między tymi pytaniami.
• TypeSafe nie ujawnił liczby parametrów modelu ani nie udostępnił jego wag.
• Dostosowanie odbywa się poprzez żądanie, a nie przez fine-tuning specyficzny dla klienta.
• Opublikowane zyski wydajności pochodzą z własnego frameworku ewaluacyjnego TypeSafe.
• Ruchome aliasy mogą wprowadzać zmiany w zachowaniu bez zmiany kodu aplikacji.

Jev nie powinien zastępować deterministycznego kodu dla uprawnień, obliczeń finansowych, wymagań prawnych, limitów rozmiaru plików czy polityk działań nieodwracalnych. Modele probabilistyczne są użyteczne dla niepewnych osądów, a nie dla warunków, które oprogramowanie może już ocenić dokładnie.

Jak CometAPI zapewnia dostęp do API Jev?

Jev nie jest obecnie dostępny w publicznym katalogu modeli CometAPI. CometAPI planuje ocenić i zintegrować Jev, gdy dostęp do modelu stanie się możliwy i zostaną otwarte wymagane uprawnienia połączenia.

Po integracji deweloperzy będą mogli sprawdzić katalog modeli CometAPI i dokumentację API pod kątem obsługiwanego identyfikatora modelu, formatu żądania, cen, limitów przepustowości i dostępności endpointów.

Do czasu oficjalnego ogłoszenia integracji deweloperzy powinni korzystać z konsoli TypeSafe, natywnego API lub oficjalnych SDK, aby uzyskać dostęp do Jev. Integracja z CometAPI powinna być uznana za dostępną dopiero po pojawieniu się Jev w publicznym katalogu modeli z zweryfikowanymi informacjami o API.