Forstå tilstanden
Modellen fortolker naturlig eller struktureret tekst: en supportsag, et Agent-spor, en produktpost eller en spiltilstand.
Jev AI Dev · udviklerguide
Hvad er System One AI-modellen? En udviklerguide til Jev.
System One er TypeSafes klasse af AI-modeller, som omsætter ustruktureret applikationstilstand til typede svar og sandsynligheder. Jev er den første implementering: en afgrænset beslutningskomponent til applikationskode.
- Input
- Tekst, JSON eller tekstlister
- Output
- Choice, Score eller Noul
- Kontrolflow
- Styres af din kode
Dette er en uafhængig udviklerguide. Produkt- og ydelsesoplysninger stammer fra TypeSafe. Test Jev på egne data før brug i produktion.
System One
state → decisionsstate
“Jeg er blevet opkrævet to gange og skal have det løst i dag.”
choicefakturering0.96
noulhaster0.88
scorefrustration1.7 / 2
if (confidence < threshold) → reviewModelklassen
En System One-model er en beslutningsprimitiv til applikationskode.
En System One-model forstår betydningen af et input, men fortsætter ikke en samtale og skriver ikke et svar. Du angiver først spørgsmålet og den tilladte svarform; modellen returnerer en afgrænset vurdering, som programmet kan kontrollere.
Hold kontrakten
Applikationen definerer svarrummet før kaldet. Modellen vælger en mulighed, placerer på en skala eller vurderer et ja/nej-udsagn.
Vis usikkerhed
Hvert svar har et sandsynlighedssignal. Choice og Score opsummerer også fordelingen som confidence.
Sammensæt med kode
Tærskler, politikker, handlinger, gentagelser, fallback og menneskelig kontrol forbliver i almindelig kode.
Jev i et workflow
Sådan integrerer udviklere Jev i applikationskode.
Jev omsætter ét modelkald til flere beslutningssignaler. Den nyttige enhed er ikke en chattur, men en lille, typet kontrakt mellem model og applikation.
1. Byg tilstanden
Send de oplysninger, beslutningen kræver. Jev accepterer i øjeblikket tekstbaseret input: strenge, JSON-objekter og tekstlister.
Kundebesked + kontodata2. Definér spørgsmål
Navngiv hvert spørgsmål, vælg primitive og beskriv muligheder eller skala. Flere uafhængige spørgsmål kan sendes i samme request.
team · hast · frustration3. Jev vurderer
Jev returnerer et typet svar og en sandsynlighed for hvert spørgsmål. Choice og Score indeholder også confidence.
fakturering · 0,93 · høj confidence4. Koden anvender politikken
Kombinér output med deterministiske kontroller. Udfør klare tilfælde med lav risiko; send tvivlsomme eller vigtige tilfælde til et menneske eller en reasoning-model.
rout · spørg · gennemgå · stopTre svarformer
Choice
billingHvilket team skal håndtere sagen?
Vælger én mulighed fra et defineret sæt og returnerer sandsynligheden for hver mulighed.
Score
1.43 / 2Hvor alvorligt er problemet?
Placerer inputtet på en beskrevet, ordnet skala; resultatet kan ligge mellem niveauer.
Noul
0.95Beder henvendelsen om refusion?
Vurderer et ja/nej-udsagn og returnerer sandsynligheden for “ja”.
Argumentet
Hvorfor TypeSafe byggede en modelgrænseflade til software.
Generative modeller skaber fleksible strenge til mennesker. TypeSafe mener, at software har brug for en smallere intelligens: indlejret i kode, gentagelig, med synlig usikkerhed og et tydeligt kontrolflow.
Strenge er fleksible, men åbne
Output kan være tekst, kode, JSON, en afvisning eller et ugyldigt format. Applikationen må ofte parse, validere og håndtere fejl før handling.
Automatisering kræver grænser
Når en model kører i baggrunden, skal programmet kende mulige udfald og de handlinger, hvert udfald må udløse.
Usikkerhed skal ændre forløbet
En sandsynlighedsfordeling gør det muligt at automatisere klare tilfælde og sende tvivlsomme ad en sikrere vej.
Små beslutninger skal kunne sammensættes
Et komplekst workflow kan deles i fokuserede semantiske vurderinger og samles med deterministisk logik frem for ét stort prompt.
Hvor det passer
Hvor System One AI passer i udviklerworkflows.
De bedste kandidater optræder ofte, kræver forståelse af rodet input og fører til få handlinger, som applikationen allerede kan udføre.
Supportdrift
Klassificér sager, identificér hensigt og hast, vurder stemning og send tvivlsomme tilfælde til gennemgang.
Fakturering, teknik, konto eller noget andet?
Agentstyring
Vælg model eller værktøj, afgør behov for retrieval, kontrollér fuldstændighed eller et foreslået værktøjskald.
Skal Agenten fortsætte, prøve igen eller eskalere?
Rangering og relevans
Vurdér en kandidat mod forespørgsel, profil, politik eller kontekst og kombinér signalet med forretningsregler.
Hvor relevant er kandidaten for forespørgslen?
Sikkerhed og verifikation
Vurdér beskeder, output, spor eller kodeændringer efter klare kriterier; høj risiko holdes bag deterministiske gates.
Bryder dette den angivne regel?
Interaktion i realtid
Vælg tilladte handlinger til spil, simuleringer, grænseflader eller enheder uden at generere et langt svar.
Hvilken tilladt handling passer bedst til tilstanden?
Dataarbejde
Omsæt mange poster til kategorier, scorer, flag og egenskaber for efterfølgende systemer.
Hvilken kategori og risikograd har posten?
Godt match
Mulighederne er kendte, inputtet er semantisk komplekst, beslutningen gentages, latenstid betyder noget, og koden har en handling eller fallback til hvert resultat.
Dårligt match
Der kræves original tekst eller kode, dyb flertrinsræsonnering, bred research, forklaring, multimodalt input eller udfald, der ikke kan defineres på forhånd.
System One og generative LLM’er
System One og generative LLM’er har forskellige roller i en AI-stack.
Begge kan forstå sprog, og en LLM kan også få et struktureret output. Den dybere forskel er, hvad modellen er designet til at levere, og hvordan softwaren bruger det.
| Aspekt | Jev / System One | Almindelig generativ LLM |
|---|---|---|
| Primær opgave | Vurdere definerede udfald | Generere fortsættelse eller svar |
| Naturligt output | Typet valg, score eller ja-sandsynlighed | Tokenfølge: tekst, kode, JSON eller andet |
| Svarrum | Angivet før kaldet | Grundlæggende åbent, selv med schema for slutformat |
| Usikkerhed | Sandsynlighed for hvert svar; confidence for Choice og Score | Kan have token-sandsynligheder eller selvrapporteret sikkerhed, sjældent et opgavekalibreret signal |
| Sampling | Ifølge TypeSafe vurderes spørgsmål og output parallelt | Normalt sekventielt, token for token |
| Styrker | Hyppige semantiske grene, scoring, routing og kontrol | Skrivning, dialog, kode, syntese og åben ræsonnering |
| Primær fejl | Typemæssigt gyldig, semantisk forkert beslutning | Forkert, fejlformateret, uunderbygget eller afsporet indhold |
| Systemrolle | Afgrænset beslutningskomponent i synlig kode | Fleksibel generator eller reasoning-model, ofte med større orkestrering |
For udviklere, der vurderer System One ud over Jev, vises samme fællesskabsmodul som på Projects-siden. Det skelner mellem selvstændigt trænede modeller og Jev-lignende grænseflader på eksisterende vægte.
System One
Fællesskabets System One-økosystem
Disse modeller og grænsefladeforsøg fra fællesskabet er inspireret af Jev eller undersøger lignende metoder til strukturerede beslutninger. De er ikke officielle Jev-versioner fra TypeSafe og indgår ikke i GitHub-ranglisten ovenfor.
Fællesskabsmodel
Qwen3.5-9BBespoke Nimble
En Jev-inspireret LoRA-adapter med en træningsopskrift til valg og ja/nej-spørgsmål. Kører lokalt og tager kun imod tekst.
GitHubFællesskabsmodel
Qwen3-0.6BNanoJev
En lille model med beslutningshoveder, offentlig træningskode og spildemoer til at afprøve valg af handlinger.
GitHubFællesskabsmodel
Qwen3.5-2Bdecider
En finjusteret model, der giver sandsynligheder for strukturerede spørgsmål i ét gennemløb. Den aktuelle version understøtter kun engelsk.
GitHubFællesskabsmodel
ModernBERT 151MVerdict
En lille encoderbaseret beslutningsmodel med offentliggjorte vægte og en WebGPU-demo i browseren.
GitHubFællesskabsmodel
Qwen3.5-0.8BDohnuts
En multimodal beslutningsmodel på 0,8B med offentliggjorte vægte, træningskode og målinger. Den håndterer tekst og billeder i én kørsel; vægtene er til ikke-kommerciel forskning.
GitHubEksperiment med grænseflade
DiffusionGemma 26B-A4BOpenJev
Bruger den eksisterende DiffusionGemma-model til at besvare strukturerede spørgsmål via en Jev-lignende API. Udgiver ikke nye modelvægte.
GitHubEksperiment med grænseflade
Open-model logitsSimple Jev
Vurderer mulige svar med eksisterende åbne modeller via en Jev-lignende grænseflade. Udgiver ikke nye modelvægte.
GitHubEksperiment med grænseflade
Spark-X2.5-4BRizzo Flow
En lokal Jev-kompatibel server, der læser svarlogits fra Spark-X2.5. Spørgsmål deler samme prefill af tilstanden, og projektet rummer både playground og benchmarks.
GitHubEksperiment med grænseflade
Any causal LLMAnyJev
Et værktøj, der uden træning gør kausale sprogmodeller til typede beslutningsmodeller, med korrektion for rækkefølgebias, valgfri kalibrering og reproducerbare benchmarks.
GitHubEksperiment med grænseflade
Qwen3.5 / DeBERTalocal-jev
En offline Jev-kompatibel server til Qwen eller DeBERTa, testet med det officielle SDK og med offentliggjorte JevBench-resultater.
GitHubUafhængige fællesskabsprojekter, ikke officielle Jev-versioner.
Primære kilder
Læs påstandene i deres kontekst.
Denne Jev AI Dev-guide forklarer TypeSafes ramme med egne ord. Brug de officielle kilder til API-detaljer, produktpåstande, evaluering og opdateringer.
Test formen, ikke kun idéen
Begynd med én beslutning, som applikationen allerede træffer.
Definér svarene, saml repræsentative eksempler, beslut håndtering af usikkerhed, og sammenlign Jev med nuværende regler eller modeller. Automatisér ikke beslutninger med stor konsekvens direkte.