Cara Kerja Jev, Model AI untuk Keputusan Terstruktur

Banyak aplikasi tidak membutuhkan penjelasan panjang dari AI. Untuk menangani tiket dukungan, misalnya, perangkat lunak mungkin hanya perlu menentukan kategori tiket tersebut. Jev, model pertama dalam kelompok yang disebut TypeSafe AI sebagai System One, dibuat untuk kebutuhan seperti itu: aplikasi mengirimkan konteks serta pertanyaan yang format jawabannya telah ditentukan, lalu menerima hasil terstruktur yang bisa langsung digunakan oleh kode. Jev diperkenalkan dalam akses awal pada September 2026. 12510

Siapa yang membuat Jev, dan mengapa?

TypeSafe dipimpin oleh salah satu pendiri sekaligus CEO-nya, Diogo Almeida, yang sebelumnya bekerja di OpenAI. Erik Gafni dan Sasha Sheng juga disebut sebagai pendiri. Gagasan di balik Jev adalah bahwa banyak tugas otomatisasi memerlukan keputusan cepat—misalnya memilih jalur penanganan suatu item atau memeriksa apakah sebuah syarat terpenuhi—bukan paragraf yang masih harus ditafsirkan lagi oleh perangkat lunak. 101520

Bagaimana cara kerjanya?

Model bahasa konvensional menghasilkan jawaban teks token demi token, sekalipun aplikasi pada akhirnya hanya membutuhkan satu keputusan. Jev juga berbasis transformer, tetapi cara penggunaannya berbeda: aplikasi memberikan konteks dan pertanyaan bertipe, yakni pertanyaan dengan bentuk jawaban yang telah ditetapkan. Jev dapat memilih dari opsi yang disediakan, memberi skor berdasarkan skala, atau mengembalikan probabilitas untuk pertanyaan ya/tidak. Hasilnya dirancang agar kode dapat langsung mengambil tindakan berdasarkan jawaban tersebut. 5710

Jev juga menyertakan informasi probabilitas atau tingkat keyakinan. Tujuan kalibrasi adalah agar angka itu mencerminkan seberapa sering keputusan dengan tingkat keyakinan serupa ternyata benar. Secara prinsip, sinyal ini dapat membantu aplikasi menentukan kapan harus bertindak otomatis dan kapan perlu meminta peninjauan. Namun, skor keyakinan bukan jaminan kebenaran: pembatasan format keluaran dapat mencegah jawaban yang bentuknya tidak sesuai, tetapi tidak otomatis mencegah keputusan yang salah. 5912

Apa yang diketahui tentang pelatihan, kecepatan, dan harga?

TypeSafe menamai metode pelatihannya Reinforcement Learning for Calibrated Decisions (RLCD). Perusahaan itu juga menyebut arsitektur baru dan parallel sampler. Uraian yang tersedia belum cukup terperinci untuk menilai metode tersebut secara independen atau memastikan seberapa baik probabilitas Jev terkalibrasi di berbagai jenis tugas. 112

Harga yang dilaporkan adalah US$0,042 per satu juta token masukan, tanpa biaya untuk token keluaran. Waktu respons dari pengiriman permintaan hingga jawaban diterima dilaporkan sekitar 70–500 milidetik. Angka-angka itu menggambarkan penawaran dan hasil yang dilaporkan, bukan jaminan untuk setiap penggunaan. TypeSafe menyatakan Jev mendekati kinerja model bahasa besar pada tugas keputusan yang dituju, dengan kecepatan dan efisiensi jauh lebih tinggi. Besarnya keunggulan tersebut tetap bergantung pada tugas dan pembandingnya; bukti kinerja independen yang luas masih terbatas. 12814

Sudah bisa digunakan? Bagaimana dengan versi berikutnya?

Jev ditawarkan sebagai model yang diakses melalui layanan TypeSafe dalam skema akses awal. Ketersediaan API berbasis HTTP serta SDK Python dan JavaScript telah dilaporkan, tetapi TypeSafe belum menerbitkan bobot model maupun opsi untuk menjalankannya di server sendiri. Laporan berbeda soal seberapa luas akses dibuka setelah peluncuran, sehingga akses awal tidak sama dengan rilis bebas yang bisa diunduh. 2719

Laporan awal menyebut eksperimen dan integrasi oleh pengembang. Salah satunya melaporkan bahwa Vercel menyebut Jev sebagai model dengan adopsi tercepat di layanan AI Gateway-nya. Itu sinyal awal yang menarik, bukan bukti penggunaan berkelanjutan atau verifikasi independen atas klaim kinerja TypeSafe. 1620

TypeSafe menempatkan Jev sebagai model pertama dalam kelompok System One. Belum ada spesifikasi atau tanggal rilis pasti untuk penerusnya dalam laporan yang tersedia. Untuk saat ini, pembeda Jev yang paling jelas adalah fokusnya: bukan menulis jawaban bebas, melainkan menghasilkan keputusan terstruktur yang dapat langsung diproses aplikasi. 17