Bagaimana Jev Membantu Perisian Membuat Keputusan?

Bayangkan aplikasi menerima tiket sokongan pelanggan dan perlu menentukan pasukan mana yang patut menerimanya. Aplikasi itu tidak semestinya memerlukan AI menulis perenggan penerangan; ia memerlukan satu pilihan yang boleh terus digunakan. Untuk tugas seperti inilah TypeSafe AI membina Jev, model pertama dalam kelas yang dipanggilnya “System One”. Jev menerima konteks aplikasi dan soalan yang format jawapannya telah ditetapkan, kemudian memulangkan keputusan berstruktur. TypeSafe memperkenalkannya melalui akses awal pada September 2026. 1210

Mengapa TypeSafe membina Jev?

Pengasas bersama dan ketua pegawai eksekutif TypeSafe, Diogo Almeida, pernah bekerja di OpenAI. Erik Gafni dan Sasha Sheng turut dinamakan sebagai pengasas bersama. Idea di sebalik Jev ialah banyak kerja automasi memerlukan pertimbangan pantas—contohnya memilih laluan bagi sesuatu item atau menentukan sama ada syarat dipenuhi—bukannya teks yang perlu ditafsir semula oleh perisian lain. 101520

Bagaimana cara Jev menjawab?

Model bahasa konvensional menjana jawapan token demi token, walaupun aplikasi akhirnya hanya memerlukan satu keputusan. Jev berasaskan transformer, tetapi cara ia digunakan berbeza: aplikasi membekalkan konteks serta soalan berjenis (typed questions) yang menetapkan bentuk jawapan yang dibenarkan. Jev boleh memilih daripada pilihan yang disediakan, memberi skor mengikut skala atau memulangkan kebarangkalian bagi soalan ya atau tidak. Hasilnya direka supaya kod aplikasi boleh bertindak terus berdasarkan jawapan tersebut. 5710

Jev turut menyertakan maklumat kebarangkalian atau keyakinan pada keputusannya. Penentukuran bermaksud skor keyakinan itu sepatutnya mencerminkan kekerapan keputusan dengan tahap keyakinan yang sama ternyata betul. Isyarat ini boleh membantu aplikasi menentukan bila hendak bertindak secara automatik dan bila hendak meminta semakan manusia. Namun, keyakinan bukan jaminan: mengehadkan jawapan kepada format yang ditetapkan boleh mengelakkan format luar jangka, tetapi tidak semestinya mengelakkan keputusan yang salah. 5912

Apa yang diketahui tentang latihan, kelajuan dan harga?

TypeSafe menamakan kaedah latihan Jev Reinforcement Learning for Calibrated Decisions (RLCD), dan turut menyebut seni bina baharu serta pensampel selari. Perihalan awam yang tersedia belum cukup terperinci untuk menilai kaedah itu secara bebas atau mengesahkan sejauh mana kebarangkalian Jev benar-benar tertentukur merentas pelbagai tugas. 112

Laporan yang diterbitkan menyenaraikan harga US$0.042 bagi setiap sejuta token input, tanpa caj token output, serta masa respons menyeluruh sekitar 70–500 milisaat. Angka ini menggambarkan tawaran yang dilaporkan, bukan jaminan untuk setiap penggunaan. TypeSafe menyatakan Jev menghampiri prestasi model bahasa besar bagi tugas keputusan yang disasarkannya, sambil menjadi jauh lebih pantas dan cekap. Besarnya kelebihan itu bergantung pada tugas dan model perbandingan; bukti prestasi bebas yang meluas masih terhad. 12814

Bolehkah pembangun menggunakannya sekarang?

Jev ditawarkan sebagai model yang dihoskan dalam akses awal. Laporan menyebut API HTTP serta kit pembangunan perisian (SDK) untuk Python dan JavaScript. TypeSafe belum menerbitkan weights model atau pilihan untuk mengehoskannya sendiri. Laporan juga berbeza tentang keluasan akses selepas pelancaran, jadi “akses awal” tidak wajar disamakan dengan keluaran terbuka yang boleh dimuat turun. 2719

Laporan awal menggambarkan percubaan dan integrasi oleh pembangun. Satu laporan menyatakan Vercel menggelar Jev sebagai model yang paling cepat diterima pakai dalam AI Gateway miliknya, iaitu perkhidmatan untuk mengakses model AI. Itu petunjuk awal yang menarik, tetapi bukan bukti penggunaan berterusan atau pengesahan bebas terhadap dakwaan prestasi TypeSafe. 1620

TypeSafe meletakkan Jev sebagai model pertama dalam kelas “System One” yang lebih luas, namun laporan yang tersedia belum menetapkan spesifikasi atau tarikh pelancaran pasti bagi penggantinya. Buat masa ini, perbezaan Jev yang paling jelas ialah skop jawapannya yang sengaja dikecilkan: ia tidak menulis secara terbuka, sebaliknya memberikan keputusan berstruktur yang boleh terus digunakan oleh aplikasi. 17