Jev Nedir? TypeSafe'in System One Modeli Açıklaması

TL;DR

Jev, TypeSafe AI tarafından geliştirilen bir karar modelidir. TypeSafe, Jev’i 15 Eylül 2026 tarihinde ilk System One model olarak tanıttı; yazılımlar tarafından doğrudan kullanılabilecek yapılandırılmış kararlar ve olasılıklar döndürmek üzere tasarlanmıştır. Bu rehber, ağırlıklı olarak TypeSafe’in resmi dokümantasyonu, Hızlı Başlangıç kılavuzu, model referansı ve şirketin Jev’in resmi duyurusu temel alınarak hazırlanmıştır.

Jev düz yazı yazmaz, kod üretmez veya sohbet etmez. Metin tabanlı bir durumu (state) tiplenmiş sorulara göre değerlendirir ve uygulamaların doğrudan kullanabileceği yapılandırılmış yanıtlar döndürür.

Bu ayrım yazılım iş akışları için önemlidir. Geleneksel bir büyük dil modeli, uygulamanın yalnızca bir kategori, bir puan veya evet/hayır yargısına ihtiyaç duyduğu durumlarda bile token üretir. Jev, kararın kendisi etrafında tasarlanmıştır. Arabirimi bir state ve bir veya daha fazla soru kabul eder; ardından tiplenmiş değerler ve olasılık dağılımları döndürür. Choice ve Score yanıtları ayrıca bir güven değeri içerir.

Jev; sınıflandırma, yönlendirme, puanlama, doğrulama, guardrail’ler ve diğer sınırlı kararlar için tasarlanmıştır. GPT, Claude, Gemini veya diğer üretici modellere genel bir alternatif değildir. Bir yapay zekâ ajanında, üretici bir model planlama veya içerik oluşturma görevlerini üstlenirken, Jev sık tekrarlanan kararlar—örneğin bir güzergâh seçimi, risk kontrolü veya sonucun incelemeye ihtiyaç duyup duymadığı—gibi konuları ele alır.

Öne Çıkarımlar

• Jev, TypeSafe tarafından geliştirilmiştir ve hâlihazırda şirketin amiral gemisi System One modeli olarak sunulmaktadır.
• Model, metin tabanlı state ve tiplenmiş soruları kabul eder. Üretilmiş düz yazı yerine yapılandırılmış kararlar döndürür.
• Jev üç soru tipini destekler: Choice, Score ve Noul.
• Aynı state üzerinde, bir istekte birden fazla soru bağımsız ve paralel olarak değerlendirilebilir.
• TypeSafe, Jev’i RLCD (Reinforcement Learning for Calibrated Decisions) ile eğitir.
• Güncel resmi model sayfası, 64.000 token istek sınırı ve yalnızca metin girişi ile Jev 1.13’ü listeler.
• Resmi fiyatlandırma, milyon giriş token başına 0,042 ABD dolarıdır. Çıkış token’ları ücretsiz olarak listelenmiştir.
• Tip güvenli (type-safe) çıktı, şema uyumsuzluklarını önler. Her iş kararının doğru olacağını garanti etmez.
• TypeSafe, 70 ila 500 milisaniye gecikme ve kendi iş akışı değerlendirmelerinde büyük kazanımlar bildirmektedir. Bu değerler satıcı tarafından rapor edilmiştir ve System One tarzındaki görevler için geçerlidir.

Jev Nedir?

Jev, TypeSafe AI tarafından inşa edilmiş bir karar modelidir. Resmi dokümantasyon, onu şirketin amiral gemisi ve ilk System One modeli olarak tanımlar. Girdisi iki ana bölümden oluşur.

İlk bölüm state’tir. State, Jev’in incelemesi gereken bilgidir; örneğin bir müşteri mesajı, bir olay raporu, bir kayıt koleksiyonu ya da uygulama bağlamını içeren bir JSON nesnesi.

İkinci bölüm tiplenmiş soru setidir. Her soru, verilecek yargıyı ve yanıtın izin verilen biçimini tanımlar. Jev, soruları state’e karşı değerlendirir ve yazılımın dallanma, sıralama, puanlama veya yönlendirme için kullanabileceği sonuçlar döndürür.

Örneğin, üç gündür başarısız olan bir ödeme entegrasyonunu bildiren bir destek talebini ele alalım. Bir destek sistemi, durumu anlatan bir paragraf yerine üç dar karar isteyebilir:

• Talep hangi ekibe gönderilmelidir?
• Müşterinin ne kadar hayal kırıklığı yaşadığı anlaşılıyor?
• Mesaj acil dikkat gerektiriyor mu?

Jev, bunları tek bir istekte bir Choice, bir Score ve bir Noul sorusu olarak temsil edebilir. Yanıt, seçilen kategori veya puanı, ilgili olasılık dağılımını ve desteklendiği yerlerde güven değerini içerir. Uygulama, bu değerlerle ne yapılacağına karar verir.

Bu sorumluluk bölüşümü bilinçlidir. Model, kararlı bir formatta belirsiz bir yargı sağlar. Uygulama kodu eşiklere, izinlere, yan etkilere ve geri dönüş (fallback) davranışlarına ilişkin kontrolü elinde tutar.

System One Model Nedir?

TypeSafe, yazılımlar tarafından tüketilebilen hızlı ve yapılandırılmış kararlar vermek üzere tasarlanmış model sınıfı için System One model terimini kullanır. Ad, Daniel Kahneman’ın çalışmalarıyla ilişkilendirilen hızlı ve yavaş düşünme ayrımına gönderme yapar. Amacı, modelin rolünü tanımlamaktır; bir yazılım modelinin insan bilişini yeniden ürettiği iddiası değildir.

Bir System One görevi, kısıtlı bir amaca sahiptir. Yeterli bağlam sunulduğunda bilgili bir değerlendirici, yargıyı hızlıca verebilmelidir. Örnekler; bir niyeti seçmek, tanımlı bir ölçekte aciliyeti derecelendirmek, bir iddianın desteklenip desteklenmediğini kontrol etmek veya bir talebin yükseltilmesi gerekip gerekmediğine karar vermek olabilir.

Geniş kapsamlı araştırma, çok adımlı çıkarım, uzun açıklamalar veya içerik üretimi gerektiren görevler doğal bir uyum değildir. TypeSafe, geniş yargıların atomik sorulara ayrılmasını ve sonuçlarının kodda birleştirilmesini önerir.

Örneğin, bu girişim sunumunu puanlayın ifadesi, denetlenebilir bir karara göre fazla geniştir. Pazar büyüklüğü, teknik uygulanabilirlik ve farklılaşma gibi boyutlar ayrı sorular olarak değerlendirilebilir. Uygulama, bu puanları açık bir formülle birleştirebilir. İş öncelikleri değişirse, ağırlıklar model istemini gizli iş mantığına dönüştürmeden kodda değiştirilebilir.

Jev Nasıl Çalışır?

Jev’in çalışma sözleşmesi şöyle yazılabilir:

State + tiplenmiş sorular -> tiplenmiş kararlar + olasılıklar

Bu, alışılmış dil modeli akışından farklıdır:

Prompt -> üretilen token’lar -> ayrıştırma ve doğrulama -> uygulama kararı

Ayrım yalnızca farklı bir yanıt formatı değildir. Geleneksel yapılandırılmış çıktı, yine de bir üretici modelden bir şemaya uyan bir token dizisi üretmesini ister. Jev, önceden tanımlanmış yanıt uzaylarından değerler döndürmek üzere tasarlanmıştır.

Mevcut API, state’i bir string, bir JSON nesnesi veya metin değerlerinden oluşan bir dizi olarak kabul eder. Girdi yalnızca metindir. Görseller, ses, video ve ikili belgeler gönderilmeden önce metne veya yapılandırılmış alanlara dönüştürülmelidir.

Bir istekteki her soru, aynı state’e karşı bağımsız olarak değerlendirilir. TypeSafe’in dokümantasyonuna göre, sorular paralel değerlendirildiğinden soru eklemek yanıt süresini neredeyse değiştirmez. Bağımsızlık, aynı çağrıda bir sorunun yanıtının diğer bir sorunun bağlamı hâline gelmesini de engeller.

Bu davranışın önemli bir tasarım sonucu vardır. Bir karar gerçekten başka bir karara bağlıysa, bu bağımlılık uygulama iş akışında yer almalıdır. Önce ilk değerlendirmeyi çalıştırın, state’i güncelleyin veya kodda dallanın, sonra bir sonraki değerlendirmeyi yapın. Tek bir istek, delillerin ortak olduğu ancak yanıtların birbirine bağlı olmadığı sorular için en uygunudur.

Üç Jev Soru Tipi

Jev üç temel yapı sunar. Her biri farklı bir yazılım kararıyla eşleşir.

Choice

Bir Choice sorusu, uygulama tarafından tanımlanan ölçütlerden bir seçenek seçer. Bir destek iş akışı billing, technical ve sales seçeneklerini tanımlayabilir ve her kategori için bir açıklama verebilir. Jev, seçilen seçeneği, her seçeneğe atanan olasılığı ve dağılımın şekline dayanan bir güven değerini döndürür.

Kategori tasarımı sonucun faydasını etkiler. Örtüşen seçenekler belirsizlik yaratır. Eksik seçenekler, modele uygun olmayan bir yanıta zorlayabilir. Üretim taksonomileri, belirsizliği koruması gereken iş akışları için insufficient_evidence veya human_review gibi bir rota içermelidir.

İfade, gerçek kararla da örtüşmelidir. İlk olarak hangi ekibin incelemesi gerekir, geçici bir yönlendirme ister. Arızaya hangi ekip neden oldu ise bir teşhis ister. Aynı ekip listesini kullanabilirler, ancak aynı soruyu sormazlar.

Score

Bir Score sorusu, state’i sıralı bir rubriğe yerleştirir. Ölçütler; sakin, hayal kırıklığına uğramış ve öfkeli gibi seviyeleri tanımlayabilir veya daha ayrıntılı bir iş ölçeği belirleyebilir. Yanıtta sayısal bir puan, sayıları seviyelere bağlayan bir açıklama, seviyeler arasındaki olasılık dağılımı ve güven değeri bulunur.

Faydalı bir Score rubriği gözlemlenebilir farklılıkları açıklar. Tanımsız etiketler, model ve insan değerlendiricileri farklı standartlar çıkarmaya bırakır. Bir risk ölçeği, her seviyeyi ayıran unsurları belirtmelidir. Bir kalite ölçeği, hangi gerekliliklerin mevcut veya eksik olduğunu belirtmelidir.

Bir puan bağımsız kaygıları karıştırıyorsa, onları bölmek daha iyidir. İlgililik, olgusal destek, ton ve politika uyumu ayrı sorular olabilir. Uygulama kodu, görünür ve test edilebilir kalacak ağırlıklarla birleşik bir puan hesaplayabilir.

Noul

Noul, TypeSafe’in ikili karar ilkelidir. Bir ifadenin doğru olma olasılığını tahmin eder ve 0 ile 1 arasında bir sayı döndürür. 0,9, değerlendirilen ifadenin 0,6’dan daha yüksek bir doğruluk olasılığını temsil eder.

Noul, Choice ve Score’da kullanılan ayrı bir confidence alanı döndürmez. Çıkışı, değerlendirilen ifadenin doğru olma olasılığıdır. Bu nedenle soru, test edilebilir bir ifade olarak yazılmalıdır; örneğin mesaj aciliyet taşıyor veya yanıt sağlanan kaynak tarafından destekleniyor gibi.

Noul, doğrulama ve kapılama (gating) için kullanışlıdır; ancak eşik uygulamaya aittir. Düşük riskli bir arayüz önerisi, geri döndürülemez finansal veya idari bir işlemden daha düşük bir eşiği tolere edebilir.

Atomik Sorular ve Bileşik İş Akışları

Jev, her soru tek bir dar şeyi sorduğunda en iyi çalışır. Bu tasarım, çıktıyı denetlenebilir kılar ve nihai politikanın yazılıma ait olmasını sağlar.

Bir ajanın bir araç çağrısını yürütüp yürütmeyeceğine karar vermesi gerektiğini varsayalım. Bu işlem çalıştırılmalı mı gibi geniş bir soru; izin, geri döndürülebilirlik, veri hassasiyeti, kullanıcı niyeti ve operasyonel riski bir arada barındırabilir. Daha denetlenebilir bir iş akışı, bu boyutları ayrı ayrı değerlendirir:

• Araç çağrısı, kullanıcının isteğiyle tutarlı mı?
• Hassas bilgi iletiyor mu?
• İşlem yıkıcı mı veya geri döndürülmesi zor mu?
• Harici bir hesabı etkiliyor mu?
• Politika gereği ek onay gerekiyor mu?

Arayüz (harness), ardından yanıtları deterministik kurallarla birleştirebilir. Yıkıcı bir işlem, modelin genel güveninden bağımsız olarak onay gerektirebilir. Salt okunur bir işlem daha az kısıtlayıcı bir yolu izleyebilir. Bu düzenleme, izinleri kodda tutar ve Jev’i yalnızca sabit kurallarla güvenilir şekilde ifade edilemeyen yargılar için kullanır.

Jev ve Geleneksel LLM’ler

Jev ve büyük dil modelleri farklı roller üstlenir.

Jev, daha küçük bir sohbet botu olarak tanımlanmamalıdır. TypeSafe, modelin parametre sayısını veya boyutunu sınıflandırmaya yetecek mimari ayrıntıları yayımlamamıştır. Kamuya açık ayrım, eğitim hedefi, örnekleme yöntemi ve arayüzüne dayanmaktadır.

Jev, deterministik kodun yerini de almaz. Koşullar açık ve kalıcı olduğunda sabit kurallar doğru araçtır. Vergi hesaplaması, izin listesi veya dosya boyutu limiti, olasılıksal bir model çağrısına dönüştürülmemelidir. Jev, el yazısı kuralların fazla kırılgan olduğu ancak istenen yanıtın yine de sınırlandırılabildiği durumlarda kullanışlıdır.

Jev ve Yapılandırılmış LLM Çıktısı

Yapılandırılmış çıktı, bir dil modelinin bir şemaya uyan JSON veya değerler döndürmesini sağlar. Üretici akıl yürütmeye ve makinece okunabilir sonuca aynı anda ihtiyaç duyulan iş akışlarında değerlidir. Jev, daha dar bir sorunu ele alır.

Bir LLM’de, şema üretilmiş bir yanıtın biçimini kısıtlar. Jev’de ise sorular ve yanıt uzayları model arayüzüdür. Jev, uygulama mantığına katılması amaçlanan olasılık dağılımları döndürür ve bağımsız sorular, paylaşılan state’e karşı ayrı ayrı değerlendirilir.

Eşleşen JSON şekilleri, eşleşen davranışları garanti etmez. İki sistem de department adlı bir alan döndürebilir; buna rağmen gecikme, kalibrasyon, belirsizliği ele alış ve yanıt kararlılığı açısından farklılık gösterebilir. Jev’i yapılandırılmış LLM çıktısıyla karşılaştıran ekipler, uygulama şemasını sabit tutmalı ve her iki sistemi de aynı etiketli veriler üzerinde test etmelidir.

RLCD ve Kalibre Edilmiş Kararlar

TypeSafe, Jev’i Reinforcement Learning for Calibrated Decisions (RLCD) ile eğittiklerini söylüyor. RLCD, hedefi bakımından RLHF ve RLVR’den ayrılır.

RLHF, insan tercih sinyalleriyle yanıtları optimize eder ve sohbet asistanlarında yaygın kullanılır. RLVR, doğrulanabilir ödüller kullanır ve doğruluğun programatik olarak denetlenebildiği görevlere ilişkilendirilir. RLCD, TypeSafe’in modellerini üretilmiş metin yerine kararlar ve kalibre edilmiş olasılıklar döndürmek üzere eğitir.

Kalibrasyon, tahmin gruplarıyla ilgilidir. Bir model iyi kalibre edilmişse, yaklaşık 0,8 olasılığı atanan sonuçlar, uygun bir vaka setinde yaklaşık yüzde 80 oranında doğru olmalıdır. Bu, 0,8 olasılıklı belirli bir tahminin doğru olacağını garanti etmez.

Olasılık ve güven birbirinin yerine geçebilir kavramlar değildir. Choice ve Score, tam olasılık dağılımlarını sunar. TypeSafe, güveni her dağılımın şekline göre türetir. Tek bir seçenekte yoğunlaşan bir dağılım daha yüksek güven üretir; daha düz bir dağılım belirsizliğe işaret eder. Ekipler, sağlanan güveni kullanabilir veya olasılıklardan başka bir istatistik hesaplayabilir.

Noul için ayrı bir güven alanı yoktur. Değeri, değerlendirilen ifadenin doğru olma olasılığıdır.

Jev Model Özellikleri ve Fiyatlandırma

Aşağıdaki ayrıntılar, 21 Eylül 2026 tarihinde incelenen TypeSafe’in resmi model dokümantasyonundan alınmıştır.

TypeSafe, hız sınırlarının dinamik olarak ayarlandığını ve uyarı olmadan değişebileceğini belirtir. Güncel sınırlar ve fiyatlar, üretim dağıtımı öncesinde kontrol edilmelidir.

Dokümantasyon ayrıca İngilizcenin birincil eğitim dili olduğunu ve şu anda en iyi doğruluğu sağladığını belirtir. CJK yazıları dâhil diğer diller desteklenir ancak aynı düzeyde değildir. Çince, Japonca veya Korece bir iş yükü, otomatik kararlar etkinleştirilmeden önce temsil edici veriler üzerinde değerlendirilmelidir.

TypeSafe, Jev’in her müşteri verisiyle ayrı ayrı ince ayar veya LoRA uyarlaması yapılmadığını söyler. Aynı model ağırlıkları tüm hesaplara hizmet eder. Alan davranışı; state, talimatlar, ölçütler ve uygulama taraflı kompozisyon ile şekillendirilir. Şirket ayrıca, müşteri isteklerinin ve yanıtlarının Jev’i eğitmek için kullanılmadığını belirtir. Kurumsal müşteriler, sıfır veri saklama şartları için TypeSafe’in yasal dokümantasyonuna başvurabilir.

Jev Ne Kadar Hızlı?

TypeSafe, uçtan uca yanıt sürelerinin 70 ile 500 milisaniye arasında olduğunu bildirir. Lansman yazısı, bu aralığı seçilmiş öncü model çağrılarının 3 ila 329 saniyesiyle karşılaştırır ve Jev’i, System One tarzındaki sorgularda karşılaştırılabilir zekâ seviyelerinde 40 ila 200 kat daha hızlı olarak tanımlar.

Şirket ayrıca, kendi iş akışı değerlendirmelerinde 193,6 kata kadar hız ve 444,6 kata kadar maliyet kazanımları bildirmektedir. Bu rakamlar bağlam gerektirir.

Sonuçlar, TypeSafe’in kendi değerlendirme çerçevesinden gelmektedir. İş akışları, modelleri yapılandırılmış karar grafikleri üzerinde karşılaştırır ve seçilmiş üst düzey harici modellerin ortalama tahminlerini referans olasılıkları olarak kullanır. TypeSafe, bildirilen kazanımların muhtemelen gerçek dünya iyileştirmelerinin üst sınırına yakın olduğunu ve model yetenekleri ekibi üyeleri tarafından oluşturulan iş akışları nedeniyle önyargı ihtimalini kabul eder.

Bu sonuçlar, Jev’in her görevde her LLM’den yüzlerce kat daha hızlı olduğu genel bir iddia olarak okunmamalıdır. Jev, metin üretiminden vazgeçer ve sınırlı kararlara odaklanır. Adil bir karşılaştırma, her iki sistemin de gerçekleştirebileceği görevler kullanmalı, karar kalitesini gecikmeyle birlikte ölçmeli ve doğrulama, yeniden deneme ve insan inceleme maliyetlerini dâhil etmelidir.

Jev Hangi İşlerde En İyidir

Jev, tanımlı bir yanıt uzayı ve belirsizlik tahminine ihtiyaç duyan yüksek hacimli iş akışları için en uygunudur.

• Müşteri Desteği Triyajı: Bir bileti departman, aciliyet, hayal kırıklığı, churn riski veya insan inceleme gereksinimine göre sınıflandırın.
• Niyet ve Model Yönlendirme: İstek türünü belirleyin ve uygun araca, iş akışına, ajana veya modele yönlendirin. Güven, yönlendirmenin otomatik olup olmayacağını belirleyebilir.
• Ajan Aracı Risk Kontrolleri: Önerilen araç çağrılarını, yürütmeden önce yıkıcı eylemler, hassas veriler veya kullanıcının isteğiyle tutarsızlık açısından değerlendirin. İzinlerden uygulama kodu sorumludur.
• LLM Çıkışı Değerlendirme: Bir LLM yanıtının sağlanan bağlamla desteklenip desteklenmediğini, gerekli formatı takip edip etmediğini veya insan incelemesine ihtiyaç duyup duymadığını kontrol edin.
• İçerik Moderasyonu: Politika kategorileri için Choice, şiddet derecesi için Score ve ikili kural kontrolleri için Noul kullanın. Düşük güvenli vakalar moderatörlere gönderilebilir.
• Yüksek Hacimli Veri İşleme: Her kaydın bağımsız değerlendirilebildiği ve çıktının bir kategori, puan veya olasılık olduğu günlükler, e-postalar, değerlendirmeler, potansiyel müşteriler, reklamlar veya belge segmentlerini işleyin.

Jev, Bir AI Ajanda Nereye Oturur?

Bir AI ajanı tipik olarak bir üretici model, araçlar, uygulama state’i ve yürütmeyi kontrol eden kuralların birleşimidir. Jev, ana üretici modelin etrafında yapılandırılmış bir karar katmanı olarak bu sisteme entegre olur.

Üretici model, bir isteği yorumlama, bir iş akışı planlama, içerik yazma veya kod üretme gibi açık uçlu görevleri üstlenebilir. Jev, iş akışı sırasında sık tekrarlanması gereken daha dar kararları üstlenebilir:

• Hangi araç veya model kullanılmalı?
• Önerilen eylem riskli mi veya istekle tutarsız mı?
• Ajan devam etmeli, yeniden denemeli, durmalı veya açıklama mı istemeli?
• Sonuç tanımlı bir gereksinimi karşılıyor mu?
• Görev bir insana yükseltilmeli mi?

Uygulama; izinler, eşikler ve yan etkilerden sorumludur. Jev bir karar ve ona bağlı olasılık sağlar; devamında atılacak adımı uygulama kodu belirler.

Bu, sorumlulukların bir bölüşümünü yaratır. Üretici modeller açık uçlu akıl yürütmeyi, Jev sınırlı değerlendirmeleri, deterministik kod politikayı, araçlar ise dış eylemleri üstlenir. Jev, bu nedenle bir AI ajanının ana akıl yürütme modelinin yerine değil, tamamlayıcısı olarak çalışır.

Jev’in Sınırlamaları

Jev, düz yazı, kod veya açık uçlu açıklamalar üretmez. Tanımlı yanıt uzaylarına sahip odaklı sorular için tasarlanmıştır.

Tip güvenli bir yanıt yine de yanlış bir karara sahip olabilir; bu yüzden iş doğruluğu gerçek verilerle değerlendirilmelidir. Şu anda desteklenen girdi formatı metindir ve belgelenmiş en güçlü performans İngilizcededir. Diğer diller ayrı test gerektirir.

Jev’in hız ve maliyet sonuçları, TypeSafe’in kendi değerlendirmelerinden gelir ve evrensel performans garantileri olarak görülmemelidir.

Jev ve CometAPI

21 Eylül 2026 tarihi itibarıyla, Jev CometAPI’nin genel olarak erişilebilir model kataloğunda listelenmemişti. CometAPI, erişim sağlandığında ve gerekli bağlantı açıldığında Jev’i değerlendirmeyi ve entegre etmeyi planlamaktadır. Geliştiriciler, en güncel erişilebilirlik için CometAPI model dizinini kontrol etmelidir.

Jev’e şu anda TypeSafe konsolu ve resmi API üzerinden erişilebilir. TypeSafe, resmi Python ve JavaScript SDK’ları sağlar. Mevcut API, state ve tiplenmiş questions kullanır ve jev-latest stabil model takma adı olarak hizmet verir.

Jev, CometAPI üzerinden erişilebilir hâle geldiğinde, geliştiriciler model kimliğini, desteklenen uç noktayı, fiyatlandırmayı ve istek formatını CometAPI API dokümantasyonunda ve model dizininde bulabilecektir.

Sıkça Sorulan Sorular

Jev AI nedir?

Jev, TypeSafe’in amiral gemisi modeli ve ilk System One modelidir. Metin tabanlı state’i tiplenmiş sorulara karşı değerlendirir ve üretilmiş metin yerine yapılandırılmış kararlar ve olasılıklar döndürür.

Jev bir büyük dil modeli midir?

TypeSafe, Jev’i geleneksel bir LLM olarak sunmaz. Jev’i yapılandırılmış kararlar için inşa edilmiş bir System One modeli olarak tanımlar. Şirket, parametre sayısını yayımlamamıştır; bu nedenle model kamuya açık bilgilere dayanarak büyük veya küçük olarak sınıflandırılmamalıdır.

Choice, Score ve Noul nedir?

Choice, tanımlı bir kümeden bir seçenek seçer ve olasılıklarla birlikte güven döndürür. Score, state’i sıralı bir rubriğe göre dereceler ve yine olasılıklar ile güven döndürür. Noul, değerlendirilen ifadenin doğru olma olasılığını temsil eden 0 ile 1 arasında bir değer döndürür.

Jev metin veya kod üretir mi?

Hayır. Jev kısıtlı kararlar döndürür. Bir iş akışı düz yazı, diyalog, kaynak kodu veya açık uçlu açıklama gerektiriyorsa üretici bir modele ihtiyaç vardır.

Jev, GPT, Claude veya Gemini’nin yerini alabilir mi?

Hayır. Jev, sınırlı karar görevlerini ele alır; genel amaçlı LLM’ler ise üretim ve uzun süreli akıl yürütmeyi yönetir. Üretim bir sistem, aynı iş akışının farklı aşamalarında her iki model türünü de kullanabilir.

Jev görüntü, ses veya video destekler mi?

Doğrudan desteklemez. Mevcut model, bir string, JSON nesnesi veya metin değerlerinden oluşan bir dizi olarak metni kabul eder. Metin dışı girdiler önce metne veya yapılandırılmış alanlara dönüştürülmelidir.

Tip güvenli çıktı doğru bir kararı garanti eder mi?

Hayır. Tip güvenliği, çıktının desteklenen yapıya uymasını garanti eder. Jev yine de yanlış geçerli bir seçeneği seçebilir veya hatalı bir olasılık atayabilir. İş doğruluğu, temsil edici verilerle ölçülmelidir.

Jev açık kaynak mı?

TypeSafe, Jev’in model ağırlıklarını kamuya açık olarak yayımlamamıştır. Şirket; dokümantasyon, SDK’lar, örnekler ve ilgili entegrasyon kodu yayımlar; ancak bunlar modelin kendisini açık ağırlık hâline getirmez.

Sonuç

Jev, dil üretimi yerine kararlar etrafında inşa edilmiş bir model arayüzü sunar. Paylaşılan state ve atomik, tiplenmiş soruları kabul eder; ardından yazılımların doğrudan kullanabileceği kategoriler, puanlar, ikili olasılıklar ve belirsizlik ölçüleri döndürür.

En güvenilir rolü, genel amaçlı LLM’lerin yerine geçmek değildir. Onların etrafında sık yinelenen, sınırlı yargıları ele almaktır. Müşteri desteği yönlendirme, model seçimi, araç risk kontrolleri, çıktı doğrulama, moderasyon ve iş akışı sınıflandırmaları, yanıt uzayı önceden tanımlandığında bu kalıba uyar.

Üretim değeri, düşük gecikme veya geçerli bir şemadan fazlasına bağlıdır. Ekiplerin; temsil edici değerlendirmelere, kalibre edilmiş eşiklere, açık izin kurallarına, model sürüm kontrollerine ve insan inceleme yollarına ihtiyacı vardır. TypeSafe’in yayımladığı hız ve maliyet rakamları, karar-yoğun iş yükleri için Jev’i test etmeye değer kılar; ancak iddialar şirketin değerlendirme yöntemine bağlıdır ve gerçek uygulama verileri üzerinde doğrulanmalıdır.

CometAPI üzerinden hâlihazırda birkaç üretici modeli kullanan ekipler için Jev, üretim, olasılıksal yargı, deterministik politika ve araç yürütmesinin ayrı bileşenler olduğu daha geniş bir mimariyi örnekler. Bu ayrım, her parçayı test etmeyi kolaylaştırır ve sonraki adım üzerinde nihai kontrolü uygulama koduna verir.