Jev AI Dev · průvodce pro vývojáře

Co je model AI System One? Průvodce Jev pro vývojáře.

System One je třída modelů AI od TypeSafe, která mění nestrukturovaný stav aplikace na typované odpovědi a pravděpodobnosti. Jev je první implementace: omezená rozhodovací komponenta pro kód aplikace.

Vstup: Text, JSON nebo seznamy textů
Výstup: Choice, Score nebo Noul
Řízení toku: Zůstává ve vašem kódu

Jak integrovat Jev Porovnat s LLM

Toto je nezávislý průvodce pro vývojáře. Informace o produktu a výkonu vycházejí z materiálů TypeSafe. Před produkčním nasazením ověřte Jev na vlastních datech.

System Onestate → decisions

state

„Platba mi byla stržena dvakrát. Potřebuji to vyřešit dnes.“

choicefakturace0.96

noulnaléhavé0.88

scorenespokojenost1.7 / 2

if (confidence < threshold) → review

Třída modelu

Model System One je rozhodovací primitivum pro kód aplikace.

System One rozumí významu vstupu, ale nepokračuje v konverzaci ani nepíše odpověď. Nejprve určíte otázku a povolený tvar odpovědi; model vrátí omezený úsudek, který program může zkontrolovat.

Pochopit stav

Model interpretuje přirozený nebo strukturovaný text: tiket, stopu Agenta, záznam produktu či stav hry.

Dodržet kontrakt

Aplikace před voláním určí prostor odpovědí. Model zvolí možnost, ohodnotí na škále nebo posoudí tvrzení ano/ne.

Ukázat nejistotu

Každá odpověď obsahuje pravděpodobnost. Choice a Score navíc shrnují rozdělení jako confidence.

Skládat s kódem

Prahy, pravidla, akce, opakování, záložní cesty a lidská kontrola zůstávají v běžném kódu.

Jev v pracovním toku

Jak vývojáři zapojují Jev do kódu aplikace.

Jev mění jedno volání modelu na sadu rozhodovacích signálů. Užitečnou jednotkou není tah konverzace, ale malý typovaný kontrakt mezi modelem a aplikací.

Vstup

1. Sestavte stav

Pošlete informace potřebné pro rozhodnutí. Jev aktuálně přijímá textové vstupy: řetězce, objekty JSON a seznamy textů.

Zpráva zákazníka + údaje účtu

Kontrakt

2. Definujte otázky

Otázku pojmenujte, vyberte primitive a popište možnosti nebo škálu. Několik nezávislých otázek může být v jednom požadavku.

oddělení · naléhavost · nespokojenost

Model

3. Jev vyhodnotí

Pro každou otázku vrátí typovanou odpověď a pravděpodobnost. Choice a Score obsahují také confidence.

fakturace · 0,93 · vysoká confidence

Aplikace

4. Kód uplatní pravidla

Výstup spojte s deterministickými kontrolami. Jasné případy s nízkým rizikem proveďte, nejasné nebo významné předejte člověku či reasoning modelu.

směrovat · doptat se · ověřit · zastavit

Tři tvary odpovědi

Choicebilling

Který tým má případ řešit?

Zvolí jednu možnost z předem dané sady a vrátí pravděpodobnost každé možnosti.

Score1.43 / 2

Jak závažný je problém?

Umístí vstup na popsanou uspořádanou škálu; výsledek může být mezi úrovněmi.

Noul0.95

Žádá zpráva o vrácení peněz?

Posoudí tvrzení ano/ne a vrátí pravděpodobnost „ano“.

Důvod

Proč TypeSafe vytvořil modelové rozhraní pro software.

Generativní modely tvoří flexibilní řetězce pro lidi. TypeSafe tvrdí, že software potřebuje užší inteligenci: vložitelnou do kódu, opakovatelnou, ukazující nejistotu a zachovávající viditelný tok řízení.

Řetězce jsou pružné, ale otevřené

Výstup může být text, kód, JSON, odmítnutí nebo špatný formát. Aplikace často musí před akcí parsovat, ověřovat a řešit chyby.

Automatizace potřebuje hranice

Když model běží na pozadí, program musí předem znát možné výsledky a akce, které každý z nich povolí.

Nejistota má měnit tok

Rozdělení pravděpodobnosti umožní automatizovat jasné případy a nejasné poslat bezpečnější cestou.

Malá rozhodnutí se mají skládat

Složitý tok lze rozdělit na cílené sémantické úsudky a spojit deterministickou logikou namísto skrytí v jednom velkém promptu.

Kde se hodí

Kde System One AI zapadá do vývojových toků.

Nejlepší úlohy se často opakují, vyžadují pochopení neuspořádaného vstupu a vedou k několika akcím, které aplikace již umí provést.

Zákaznická podpora

Třiďte tikety, určujte záměr a naléhavost, odhadujte sentiment a nejasné případy posílejte ke kontrole.

Fakturace, technika, účet, nebo něco jiného?

Řízení Agenta

Volte model nebo nástroj, určujte potřebu vyhledávání, úplnost výsledku nebo kontrolujte navržené volání nástroje.

Má Agent pokračovat, opakovat, nebo eskalovat?

Pořadí a relevance

Ohodnoťte shodu kandidáta s dotazem, profilem, politikou či kontextem a spojte signál s obchodními pravidly.

Jak relevantní je kandidát pro požadavek?

Bezpečnost a ověření

Hodnoťte zprávy, výstupy, stopy nebo změny kódu podle jasných kritérií; vysoké riziko držte za deterministickými branami.

Porušuje to uvedené pravidlo?

Interakce v reálném čase

Vybírejte povolené akce pro hry, simulace, rozhraní či zařízení bez dlouhé generované odpovědi.

Která povolená akce nejlépe odpovídá stavu?

Datové operace

Převádějte velké objemy záznamů na kategorie, skóre, příznaky a vlastnosti pro další systémy.

Jaká kategorie a úroveň rizika platí pro záznam?

Dobrá volba

Možnosti jsou známé, vstup je sémanticky složitý, rozhodnutí se opakuje, záleží na latenci a kód zná akci nebo záložní cestu pro každý výsledek.

Špatná volba

Je potřeba originální text či kód, hluboké vícekrokové uvažování, široký výzkum, vysvětlení, multimodální vstup nebo výsledky nelze určit předem.

System One a generativní LLM

System One a generativní LLM mají v AI stacku různé role.

Oba přístupy rozumějí jazyku a LLM lze omezit strukturovaným výstupem. Hlubší rozdíl je v tom, co má model přirozeně vracet a jak jej okolní software používá.

Aspekt	Jev / System One	Běžný generativní LLM
Hlavní úloha	Vyhodnotit předem dané výsledky	Generovat pokračování nebo odpověď
Nativní výstup	Typovaná volba, skóre nebo pravděpodobnost ano	Sekvence tokenů: text, kód, JSON nebo jiné
Prostor odpovědí	Deklarován před voláním	Z podstaty otevřený, i když schema omezuje konečný formát
Nejistota	Pravděpodobnost každé odpovědi; confidence pro Choice a Score	Může dát pravděpodobnosti tokenů nebo vlastní jistotu, obvykle ne kalibrovaný signál úlohy
Vzorkování	Podle TypeSafe se otázky a výstupy hodnotí paralelně	Obvykle sekvenčně, token po tokenu
Silné stránky	Časté sémantické větvení, scoring, routing a kontroly	Psaní, dialog, programování, syntéza a otevřené uvažování
Hlavní selhání	Typově platné, ale sémanticky chybné rozhodnutí	Chybný, špatně formovaný, nepodložený nebo odchylný obsah
Role v systému	Omezená rozhodovací komponenta ve viditelném kódu	Flexibilní generátor či reasoning model, často s větší orchestrací

Pro vývojáře, kteří hodnotí System One i mimo Jev, je níže stejný komunitní modul jako na stránce Projects. Odděluje samostatně trénované modely od rozhraní podobných Jev postavených na existujících vahách.

System One

Komunitní ekosystém System One

Tyto komunitní modely a experimenty s rozhraním se inspirují Jevem nebo zkoumají podobné přístupy ke strukturovanému rozhodování. Nejde o oficiální verze Jevu od TypeSafe a nejsou součástí výše uvedeného žebříčku projektů na GitHubu.

Komunitní modelQwen3.5-9B

Bespoke Nimble

Adaptér LoRA a postup trénování inspirovaný Jevem pro výběr z možností a otázky ano/ne. Běží lokálně, zatím přijímá jen text.

GitHub

Komunitní modelQwen3-0.6B

NanoJev

Malý model s rozhodovacími hlavami, zveřejněným trénovacím kódem a herními ukázkami výběru akcí.

GitHub

Komunitní modelQwen3.5-2B

decider

Doladěný model vrací rozdělení pravděpodobností pro strukturované otázky v jediném průchodu. Současná verze podporuje jen angličtinu.

GitHub

Komunitní modelModernBERT 151M

Verdict

Malý rozhodovací model založený na enkodéru, se zveřejněnými vahami a ukázkou WebGPU v prohlížeči.

GitHub

Komunitní modelQwen3.5-0.8B

Dohnuts

Multimodální rozhodovací model s 0,8B parametry a zveřejněnými vahami, trénovacím kódem i výsledky testů. Text a obrázky zpracuje v jednom průchodu; váhy jsou určené pro nekomerční výzkum.

GitHub

Experiment s rozhranímDiffusionGemma 26B-A4B

OpenJev

Používá stávající model DiffusionGemma k zodpovídání strukturovaných otázek přes rozhraní podobné Jevu. Nezveřejňuje nové váhy modelu.

GitHub

Experiment s rozhranímOpen-model logits

Simple Jev

Hodnotí povolené odpovědi pomocí existujících otevřených modelů přes rozhraní podobné Jevu. Nezveřejňuje nové váhy modelu.

GitHub

Experiment s rozhranímSpark-X2.5-4B

Rizzo Flow

Lokální server kompatibilní s Jev, který čte logity odpovědí modelu Spark-X2.5. Otázky sdílejí jeden prefill stavu; součástí je i zkušební rozhraní a benchmarky.

GitHub

Experiment s rozhranímAny causal LLM

AnyJev

Nástroj, který bez trénování mění kauzální jazykové modely na typované rozhodovací modely, s korekcí vlivu pořadí možností, volitelnou kalibrací a reprodukovatelnými benchmarky.

GitHub

Experiment s rozhranímQwen3.5 / DeBERTa

local-jev

Offline server kompatibilní s Jev pro Qwen nebo DeBERTa, otestovaný s oficiálním SDK a s publikovanými výsledky JevBench.

GitHub

Nezávislé komunitní projekty, nikoli oficiální verze Jevu.

Primární zdroje

Čtěte tvrzení v kontextu.

Tento průvodce Jev AI Dev vysvětluje rámec TypeSafe vlastními slovy. Podrobnosti API, tvrzení o produktu, hodnocení a změny ověřujte v oficiálních zdrojích.

01Dokumentace System One 02Uvedení Jev a technická tvrzení 03Manifest Composable AI 04Oficiální mapa použití

Ověřte formu, ne jen myšlenku

Začněte jedním rozhodnutím, které aplikace již dělá.

Definujte odpovědi, shromážděte reprezentativní příklady, určete práci s nejistotou a porovnejte Jev se současnými pravidly nebo modelem. Neautomatizujte přímo rozhodnutí s velkým dopadem.

Vyzkoušet Jev v Playgroundu Projekty Jev