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
Qwen3.5-9B + diffusion drafterJeeves
En Jev-lignende 9B-beslutningsmodel med valgfri ræsonnering, offentliggjorte vægte, træningskode og data samt en kompatibel lokal API.
Fællesskabsmodel
Qwen3.5-4BOpenJev-4B
En probabilistisk 4B-beslutningsmodel med åbent ordforråd, offentliggjorte vægte og totrins-træning, lokal inferens og HTTP-tjeneste.
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.
Fællesskabsmodel
Qwen3-0.6BNanoJev
En lille model med beslutningshoveder, offentlig træningskode og spildemoer til at afprøve valg af handlinger.
Fællesskabsmodel
Qwen3.5-2Bdecider
En finjusteret model, der giver sandsynligheder for strukturerede spørgsmål i ét gennemløb. Den aktuelle version understøtter kun engelsk.
Fællesskabsmodel
ModernBERT 151M / Verdict 2.0Verdict
En lille encoderbaseret beslutningsmodel med offentliggjorte vægte og en WebGPU-demo i browseren.
Fællesskabsmodel
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.
Eksperiment med grænseflade
DiffusionGemma 26B-A4BOpenJev
Bruger den eksisterende DiffusionGemma-model til at besvare strukturerede spørgsmål via en Jev-lignende API. Udgiver ikke nye modelvægte.
Eksperiment med grænseflade
Open-model logitsSimple Jev
Vurderer mulige svar med eksisterende åbne modeller via en Jev-lignende grænseflade. Udgiver ikke nye modelvægte.
Eksperiment 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.
Eksperiment 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.
Eksperiment 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.
Fællesskabsmodel
Qwen3-0.6BAgentJev
En Qwen3-0.6B-beslutningsmodel til agentforløb og andre strukturerede spørgsmål med offentliggjorte vægte, typet HTTP-API og uden tokenafkodning.
Eksperiment med grænseflade
Causal LMs / SGLangLLM2Jev
Gør lokale kausale sprogmodeller til Jev-kompatible Choice-, Score- og Noul-tjenester via ren prefill-scoring med støtte til SGLang, Transformers og multimodale input.
Eksperiment med grænseflade
Laya / ONNX RuntimeLaya
Kører den åbne Laya System One-model i Node.js via ONNX Runtime med et Jev-kompatibelt forespørgselsformat og offentliggjorte modelvægte.
Fællesskabsmodel
Qwen3.5-0.8BOpenThai System One
En Qwen3.5-0.8B-beslutningsmodel til thai og engelsk med offentliggjorte vægte, træningskode og Jev-kompatibelt HTTP-API.
Fællesskabsmodel
Qwen3.5-0.8B / 2BValen
En multimodal beslutningsmodel inspireret af Jev, som modtager tekst, billeder og video, med offentliggjorte vægte, træningskode og evalueringskommandoer.
Fællesskabsmodel
Qwen3.5-4BTev1
En åben 4B-beslutningsmodel finjusteret fra Qwen3.5 med vægte, reproducerbar træningsmetode og dokumenteret datakilde.
Eksperiment med grænseflade
Open decision modelsOllaya
En lokal Rust-tjeneste, der henter og kører flere åbne beslutningsmodeller bag egne og TypeSafe-kompatible API’er.
Fællesskabsmodel
Qwen3.5-0.8B / 2B / 4BIntern-Decision
En multimodal Qwen3.5-modelserie på 0,8B, 2B og 4B med vægte, trænings- og inferenskode, kalibreringstest og et Jev-kompatibelt API.
Fællesskabsmodel
Qwen3.5-4BMica
En 4B-beslutningsmodel til engelsk og koreansk med offentliggjorte vægte og kvantiseringer, kalibrerede sandsynligheder og en lokal TypeSafe-kompatibel server.
Fællesskabsmodel
Qwen3.5-0.8B / 2BJev-Style
En lokal serie af 0,8B- og 2B-modeller med vægte, lang kontekst, kompatibelt API, agent-skills, MCP-værktøjer og evalueringskommandoer.
Fællesskabsmodel
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
En uafhængig implementering med offentliggjorte 2B-, 9B- og 27B-vægte, træningskode, kompatibel lokal server og reproducerbare evalueringer.
Fællesskabsmodel
Qwen3.5-VL 2B / 4B / 9Bimajev
En åben multimodal modelfamilie på 2B, 4B og 9B til tekst og billeder med kalibrerede sandsynligheder, mulighed for at afstå, åbne vægte og kompatibel lokal API.
Fællesskabsmodel
0.6B / 0.8B / 4B decision modelsOpenDecider
Små åbne modeller til Choice-, Score- og Noul-beslutninger med offentliggjorte vægte og lokal inferens på CPU, NVIDIA-GPU og Apple Silicon.
Fællesskabsmodel
Qwen3.5-0.8B / 4Bjiwo
Åbne Qwen3.5-beslutningsmodeller på 0,8B og 4B med udgivne vægte, træningskode, lokal Jev-kompatibel API og reproducerbare Decision Index-resultater.
Fællesskabsmodel
Qwen3.5-0.8B / 4BSearchJev
Åbne Qwen3.5-modeller på 0,8B og 4B trænet til søgeagenters beslutninger, med udgivne data, vægte, træningslogfiler og kalibreringskode.
Eksperiment med grænseflade
Cloudflare Clef 27B / 9Bcleffa
En indbygget C- og Metal-motor til Cloudflare Clef og Clef-Flash på Apple Silicon, som leverer tekst-, billed- og videobeslutninger via en Jev-kompatibel API.
Fællesskabsmodel
mmBERT 144.3MPhocinae Largha
En tosproget encoder-beslutningsmodel på 144,3M parametre til lokale typede beslutninger med vægte, kalibreringsværktøjer, evalueringer og Jev-kompatibel server.
Fællesskabsmodel
Multilingual Laya checkpointsLaya Decision Engine
En flersproget, ikke-autoregressiv beslutningsmotor med åbne checkpoints, trænings- og finjusteringskode samt kompatible lokale API’er.
Fællesskabsmodel
Qwen3.5-0.8B / 4BVegaML
En lokal multimodal motor med frosne Qwen3.5-modeller og et lille trænbart fysikmodul samt offentlige 0,8B- og 4B-checkpoints.
Eksperiment med grænseflade
Laya / ONNX Runtime Javalaya-java
En ren Java-runtime til Laya med Spring Boot- og Gradle-integration samt Jev- og OpenAI-kompatible endpoints.
Fællesskabsmodel
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Et framework til destillation og træning af Jev-lignende modeller på Qwen3.5 eller Qwen3.8 med kalibrering, evaluering og kompatibel serverkode.
Fællesskabsmodel
LLM-jp 4.1 8B / encoder 310Msaihai
En japansk familie af typede beslutningsmodeller med åbne 8B- og 310M-vægte, trænings- og evalueringskode, GGUF-servering og System One-kompatibel API.
Eksperiment med grænseflade
Any llama.cpp GGUFCallosum
Føjer en System One-API og reserverede klassifikationsspor til en eksisterende llama.cpp-chatmodel med valgfri kalibrering og afgrænset ræsonnement uden at indlæse en ekstra model.
Fællesskabsmodel
Qwen3-VL-4BOpenVisualJev
En multimodal beslutningsmodel på Qwen3-VL-4B med dynamisk kandidatscoring, rækkefølgeuafhængige valg, kalibreringskode og teknisk rapport; checkpoints kan endnu ikke downloades.
Fællesskabsmodel
BitNet b1.58 2BBitSOne-s1
En ternær 2B BitNet-beslutningsmodel med pointer-head, typede sandsynligheder, reproducerbar træningshistorik og målt kalibrering; det udgivne checkpoint er i øjeblikket privat.
Eksperiment med grænseflade
Open ONNX decision modelsdecision-toolkit
Kører et kurateret udvalg af åbne beslutningsmodeller lokalt på CPU med ONNX og tilbyder ét typet bibliotek, CLI, REST og System One-kompatibelt API.
Fællesskabsmodel
Qwen3-VL-4BFovea
En åben visuel beslutningsmodel på 4B med offentliggjorte vægte samt trænings- og kalibreringskode, leveret gennem TypeSafe System One API.
Eksperiment med grænseflade
Open decision model familiesFlide
En lokal runtime, der accelererer åbne beslutningsmodeller med præcis tilstandsforgrening og leverer flere tekst- og multimodale modelfamilier gennem én grænseflade.
Fællesskabsmodel
Multilingual encoder 57M / ONNXSkejja
En flersproget encoder-beslutningsmodel med 57 mio. parametre til Choice, Noul og Score, med ONNX-inferens, browser- og Raspberry Pi-demoer samt kompatibel System One-API.
Fællesskabsmodel
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
En CPU-fokuseret multimodal 9B-beslutningsmodel i GGUF-format med Choice, Score, Noul, TypeSafe-kompatibel API og et LoRA-finjusteringsværktøj.
Uafhængige fællesskabsprojekter, ikke officielle Jev-versioner.
Følg nye fællesskabsmodeller og grænsefladeeksperimenter i Jev AI Radar.Udforsk Jev AI Radar
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.