Entender el estado
Interpreta texto natural o estructurado: un ticket, la traza de un Agent, un registro de producto o el estado de un juego.
Jev AI Dev · guía para desarrolladores
¿Qué es el modelo de IA System One? Una guía de Jev para desarrolladores.
System One es la clase de modelos de IA de TypeSafe que convierte estados no estructurados de una aplicación en respuestas tipadas y probabilidades. Jev es su primera implementación: un componente de decisión acotado para el código de la aplicación.
- Entrada
- Texto, JSON o listas de texto
- Salida
- Choice, Score o Noul
- Flujo de control
- Lo gestiona tu código
Esta es una guía independiente para desarrolladores. Los detalles del producto y las afirmaciones de rendimiento se atribuyen a TypeSafe. Prueba Jev con tus propios datos antes de usarlo en producción.
System One
state → decisionsstate
«Me han cobrado dos veces y necesito resolverlo hoy.»
choicefacturación0.96
noulurgente0.88
scorefrustración1.7 / 2
if (confidence < threshold) → reviewLa clase de modelo
Un modelo System One es una primitiva de decisión para el código de la aplicación.
Un modelo System One interpreta el significado de una entrada, pero no continúa una conversación ni redacta una respuesta. Primero declaras la pregunta y la forma de respuesta permitida; el modelo devuelve un juicio acotado que el programa puede inspeccionar.
Respetar el contrato
La aplicación define el espacio de respuestas antes de la llamada. El modelo elige una opción, puntúa en una escala o evalúa una proposición binaria.
Mostrar la incertidumbre
Cada respuesta expone una probabilidad. Choice y Score también resumen la distribución mediante confidence.
Componer con código
Los umbrales, políticas, efectos, reintentos, alternativas y revisiones humanas siguen en manos del código normal.
Jev en el flujo de trabajo
Cómo integran los desarrolladores Jev en el código de la aplicación.
Jev convierte una llamada al modelo en varias señales de decisión. Para un desarrollador, la unidad útil no es un turno de chat, sino un contrato pequeño y tipado entre modelo y aplicación.
1. Construir el estado
Envía la información necesaria para decidir. Jev acepta actualmente entradas basadas en texto, como cadenas, objetos JSON y listas de texto.
Mensaje del cliente + datos de cuenta2. Definir las preguntas
Nombra cada pregunta, elige su primitive y describe las opciones o la escala permitidas. Varias preguntas independientes pueden ir en una solicitud.
equipo · urgencia · frustración3. Jev evalúa
Jev devuelve una respuesta tipada y una señal de probabilidad por pregunta. Choice y Score incluyen además una confidence separada.
facturación · 0,93 · confidence alta4. El código aplica la política
Combina la salida con comprobaciones deterministas. Actúa en casos claros y de bajo riesgo; deriva los ambiguos o importantes a una persona o modelo de razonamiento.
enrutar · preguntar · revisar · detenerTres formas de respuesta
Choice
billing¿Qué equipo debe encargarse?
Selecciona una opción de un conjunto predefinido y devuelve la probabilidad de cada opción.
Score
1.43 / 2¿Qué gravedad tiene el problema?
Sitúa la entrada en una escala ordenada y descrita; el resultado puede quedar entre dos niveles.
Noul
0.95¿Solicita un reembolso?
Evalúa una proposición sí/no y devuelve la probabilidad de “sí”.
El argumento
Por qué TypeSafe creó una interfaz de modelo para software.
Los modelos generativos producen cadenas flexibles para personas. TypeSafe propone que el software necesita una inteligencia más acotada: integrable en código, repetible, capaz de mostrar incertidumbre y de mantener visible el flujo de control.
Las cadenas son flexibles pero abiertas
La salida puede ser texto, código, JSON, un rechazo o un formato inválido. La aplicación suele tener que analizar, validar y recuperarse antes de actuar.
La automatización necesita límites
Cuando el modelo funciona en segundo plano, el programa debe conocer de antemano los resultados posibles y las acciones que cada uno permite.
La incertidumbre debe cambiar el flujo
Una distribución de probabilidad permite automatizar casos claros y enviar los ambiguos por una ruta más segura.
Las decisiones pequeñas deben componerse
Un flujo complejo puede dividirse en juicios semánticos concretos y unirse con lógica determinista en lugar de ocultarse en un gran prompt.
Dónde encaja
Dónde encaja System One AI en flujos de desarrollo.
Los mejores candidatos ocurren a menudo, necesitan entender entradas desordenadas y conducen a pocas acciones que la aplicación ya sabe ejecutar.
Operaciones de soporte
Clasificar tickets, detectar intención y urgencia, estimar el sentimiento y enviar los casos inciertos a revisión.
¿Facturación, soporte técnico, cuenta u otra cosa?
Control de Agents
Elegir modelo o herramienta, decidir si hace falta recuperación, comprobar si el resultado está completo o revisar una llamada propuesta.
¿Debe el Agent continuar, reintentar o escalar?
Ranking y relevancia
Puntuar la correspondencia de un candidato con una consulta, perfil, política o contexto y combinarla con reglas de negocio.
¿Qué relevancia tiene este candidato para la solicitud?
Seguridad y verificación
Evaluar mensajes, resultados, trazas o cambios de código con criterios explícitos; los resultados de alto riesgo quedan tras controles deterministas.
¿Incumple la regla indicada?
Interacción en tiempo real
Elegir acciones permitidas para juegos, simulaciones, interfaces o dispositivos sin generar una respuesta larga.
¿Qué acción permitida encaja mejor con este estado?
Operaciones de datos
Convertir grandes volúmenes de registros en categorías, puntuaciones, indicadores y características para sistemas posteriores.
¿Qué categoría y nivel de riesgo tiene este registro?
Buen encaje
Las opciones se conocen, la entrada es semánticamente compleja, la decisión se repite, la latencia importa y el código tiene una acción o alternativa para cada resultado.
Mal encaje
Se necesita texto o código original, razonamiento profundo de varios pasos, investigación amplia, explicación, entrada multimodal o resultados que no pueden definirse por adelantado.
System One y LLM generativos
System One y los LLM generativos cumplen funciones distintas en una pila de IA.
Ambos comprenden lenguaje y un LLM también puede producir una salida estructurada. La diferencia profunda está en qué se diseña para producir y cómo lo usa el software que lo rodea.
| Aspecto | Jev / System One | LLM generativo habitual |
|---|---|---|
| Trabajo principal | Evaluar resultados predefinidos | Generar una continuación o respuesta |
| Salida nativa | Elección tipada, puntuación o probabilidad de sí | Secuencia de tokens: texto, código, JSON u otro |
| Espacio de respuestas | Declarado antes de la llamada | Abierto por naturaleza, incluso con schema para el formato final |
| Incertidumbre | Probabilidad por respuesta; confidence para Choice y Score | Puede dar probabilidades de tokens o confianza declarada, no suele ser una señal calibrada para la tarea |
| Muestreo | Según TypeSafe, preguntas y salidas se evalúan en paralelo | Normalmente secuencial, token a token |
| Fortalezas | Ramificación semántica frecuente, puntuación, enrutamiento y controles | Escritura, diálogo, programación, síntesis y razonamiento abierto |
| Fallo principal | Decisión con tipo válido pero semánticamente errónea | Contenido erróneo, mal formado, sin respaldo o fuera de tarea |
| Papel en el sistema | Componente de decisión acotado dentro de código visible | Generador o razonador flexible, a menudo con mayor orquestación |
Para desarrolladores que evalúan System One más allá de Jev, se muestra el mismo módulo comunitario de Projects. Separa modelos entrenados de forma independiente de interfaces similares a Jev construidas sobre pesos existentes.
System One
Ecosistema System One de la comunidad
Estos modelos y experimentos de interfaz de la comunidad se inspiran en Jev o exploran enfoques similares de decisión estructurada. No son versiones oficiales de Jev publicadas por TypeSafe ni forman parte del ranking de proyectos de GitHub.
Modelo de la comunidad
Qwen3.5-9B + diffusion drafterJeeves
Modelo de decisión de 9B al estilo de Jev con razonamiento opcional, pesos, código y datos de entrenamiento publicados y una API local compatible.
Modelo de la comunidad
Qwen3.5-4BOpenJev-4B
Modelo probabilístico de decisión de 4B y vocabulario abierto, con pesos y entrenamiento en dos etapas publicados, inferencia local y servicio HTTP.
Modelo de la comunidad
Qwen3.5-9BBespoke Nimble
Un adaptador LoRA inspirado en Jev, con receta de entrenamiento para elecciones y preguntas de sí o no. Funciona en local y solo acepta texto.
Modelo de la comunidad
Qwen3-0.6BNanoJev
Un modelo pequeño con cabezales de decisión, código de entrenamiento público y demos de juegos para probar la elección de acciones.
Modelo de la comunidad
Qwen3.5-2Bdecider
Un modelo ajustado que devuelve probabilidades para preguntas estructuradas en una sola pasada. La versión actual solo admite inglés.
Modelo de la comunidad
ModernBERT 151M / Verdict 2.0Verdict
Un pequeño modelo de decisión basado en un codificador, con pesos publicados y una demo WebGPU en el navegador.
Modelo de la comunidad
Qwen3.5-0.8BDohnuts
Un modelo de decisión multimodal de 0,8 B con pesos, código de entrenamiento y evaluaciones publicados. Procesa texto e imágenes en una sola pasada; los pesos son para investigación no comercial.
Experimento de interfaz
DiffusionGemma 26B-A4BOpenJev
Usa el modelo DiffusionGemma existente para responder preguntas estructuradas mediante una API similar a la de Jev. No publica nuevos pesos del modelo.
Experimento de interfaz
Open-model logitsSimple Jev
Puntúa respuestas posibles con modelos abiertos existentes mediante una interfaz similar a Jev. No publica pesos de un modelo nuevo.
Experimento de interfaz
Spark-X2.5-4BRizzo Flow
Un servidor local compatible con Jev que lee los logits de respuesta de Spark-X2.5. Las preguntas comparten el mismo prefill del estado e incluye un entorno de pruebas y benchmarks.
Experimento de interfaz
Any causal LLMAnyJev
Un kit sin entrenamiento que convierte modelos de lenguaje causales en modelos de decisión tipada, con corrección del sesgo por orden, calibración opcional y benchmarks reproducibles.
Experimento de interfaz
Qwen3.5 / DeBERTalocal-jev
Un servidor sin conexión compatible con Jev para modelos Qwen o DeBERTa, probado con el SDK oficial y con resultados de JevBench publicados.
Modelo de la comunidad
Qwen3-0.6BAgentJev
Un modelo de decisión Qwen3-0.6B para trazas de agentes y otras preguntas estructuradas, con pesos publicados, API HTTP tipada y sin decodificación de tokens.
Experimento de interfaz
Causal LMs / SGLangLLM2Jev
Convierte modelos causales locales en servicios Choice, Score y Noul compatibles con Jev mediante puntuación solo de prefill, con SGLang, Transformers y soporte multimodal.
Experimento de interfaz
Laya / ONNX RuntimeLaya
Ejecuta el modelo abierto Laya System One en Node.js mediante ONNX Runtime, con un formato de solicitud compatible con Jev y pesos publicados.
Modelo de la comunidad
Qwen3.5-0.8BOpenThai System One
Un modelo de decisión Qwen3.5-0.8B para tailandés e inglés, con pesos, código de entrenamiento y API HTTP compatible con Jev publicados.
Modelo de la comunidad
Qwen3.5-0.8B / 2BValen
Un modelo de decisión multimodal inspirado en Jev que admite texto, imágenes y vídeo, con pesos, código de entrenamiento y comandos de evaluación publicados.
Modelo de la comunidad
Qwen3.5-4BTev1
Un modelo de decisión abierto de 4B ajustado desde Qwen3.5, con pesos, receta de entrenamiento reproducible y procedencia de datos documentada.
Experimento de interfaz
Open decision modelsOllaya
Un servicio local en Rust que descarga y ejecuta varios modelos de decisión abiertos mediante API nativas y compatibles con TypeSafe.
Modelo de la comunidad
Qwen3.5-0.8B / 2B / 4BIntern-Decision
Una familia multimodal Qwen3.5 de 0,8B, 2B y 4B, con pesos, código de entrenamiento e inferencia, pruebas de calibración y API compatible con Jev.
Modelo de la comunidad
Qwen3.5-4BMica
Un modelo de decisión 4B para inglés y coreano, con pesos y cuantizaciones publicados, probabilidades calibradas y servidor local compatible con TypeSafe.
Modelo de la comunidad
Qwen3.5-0.8B / 2BJev-Style
Una familia local de modelos de 0,8B y 2B con pesos publicados, contexto largo, API compatible, habilidades para agentes, herramientas MCP y comandos de evaluación.
Modelo de la comunidad
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
Una implementación independiente con pesos 2B, 9B y 27B, código de entrenamiento, servidor local compatible y evaluaciones reproducibles publicados.
Modelo de la comunidad
Qwen3.5-VL 2B / 4B / 9Bimajev
Familia abierta de modelos multimodales 2B, 4B y 9B para texto e imágenes, con probabilidades calibradas, abstención, pesos publicados y API local compatible.
Modelo de la comunidad
0.6B / 0.8B / 4B decision modelsOpenDecider
Modelos abiertos pequeños para decisiones Choice, Score y Noul, con pesos publicados e inferencia local en CPU, GPU NVIDIA y Apple Silicon.
Modelo de la comunidad
Qwen3.5-0.8B / 4Bjiwo
Modelos de decisión Qwen3.5 abiertos de 0,8B y 4B, con pesos, código de entrenamiento, API local compatible con Jev y resultados reproducibles de Decision Index.
Modelo de la comunidad
Qwen3.5-0.8B / 4BSearchJev
Modelos Qwen3.5 abiertos de 0,8B y 4B entrenados para decisiones de agentes de búsqueda, con datos, pesos, registros de entrenamiento y código de calibración publicados.
Experimento de interfaz
Cloudflare Clef 27B / 9Bcleffa
Un motor nativo en C y Metal para Cloudflare Clef y Clef-Flash en Apple Silicon que ofrece decisiones sobre texto, imágenes y vídeo mediante una API compatible con Jev.
Modelo de la comunidad
mmBERT 144.3MPhocinae Largha
Un modelo de decisión codificador bilingüe de 144,3M parámetros para decisiones tipadas locales, con pesos, herramientas de calibración, evaluaciones y servidor compatible con Jev.
Modelo de la comunidad
Multilingual Laya checkpointsLaya Decision Engine
Motor de decisiones multilingüe y no autorregresivo con checkpoints, código de entrenamiento y ajuste, decisiones tipadas y API locales compatibles.
Modelo de la comunidad
Qwen3.5-0.8B / 4BVegaML
Motor multimodal local basado en Qwen3.5 congelado y un pequeño módulo físico entrenable, con checkpoints públicos de 0,8B y 4B.
Experimento de interfaz
Laya / ONNX Runtime Javalaya-java
Entorno Java puro para Laya con integraciones para Spring Boot y Gradle y endpoints compatibles con Jev y OpenAI.
Modelo de la comunidad
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Marco para destilar y entrenar modelos de decisión al estilo Jev sobre Qwen3.5 o Qwen3.8, con calibración, evaluación y servidor compatible.
Modelo de la comunidad
LLM-jp 4.1 8B / encoder 310Msaihai
Familia japonesa de modelos de decisión tipados con pesos abiertos de 8B y 310M, código de entrenamiento y evaluación, servicio GGUF y API compatible con System One.
Experimento de interfaz
Any llama.cpp GGUFCallosum
Añade una API System One y canales reservados de clasificación a un modelo de chat de llama.cpp, con calibración y razonamiento limitado opcionales, sin cargar un segundo modelo.
Modelo de la comunidad
Qwen3-VL-4BOpenVisualJev
Modelo de decisión multimodal sobre Qwen3-VL-4B con puntuación dinámica, elecciones invariantes al orden, código de calibración e informe técnico; los checkpoints aún no se pueden descargar.
Modelo de la comunidad
BitNet b1.58 2BBitSOne-s1
Modelo de decisión ternario basado en BitNet 2B con cabezal puntero, probabilidades tipadas, registros de entrenamiento reproducibles y calibración medida; el checkpoint publicado sigue siendo privado.
Experimento de interfaz
Open ONNX decision modelsdecision-toolkit
Ejecuta localmente en CPU una selección de modelos de decisión abiertos mediante ONNX y ofrece biblioteca tipada, CLI, REST y API compatible con System One.
Modelo de la comunidad
Qwen3-VL-4BFovea
Un modelo visual de decisiones abierto de 4B, con pesos y código de entrenamiento y calibración publicados, servido mediante la API System One de TypeSafe.
Experimento de interfaz
Open decision model familiesFlide
Un entorno local que acelera modelos de decisiones abiertos con bifurcación exacta del estado y ofrece varias familias de texto y multimodales mediante una sola interfaz.
Modelo de la comunidad
Multilingual encoder 57M / ONNXSkejja
Un modelo de decisión codificador multilingüe de 57 M para Choice, Noul y Score, con inferencia ONNX, demos en navegador y Raspberry Pi, y una API System One compatible.
Modelo de la comunidad
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
Un modelo de decisión multimodal 9B orientado a CPU y distribuido como GGUF, con Choice, Score, Noul, API compatible con TypeSafe y kit de ajuste LoRA.
Son proyectos independientes de la comunidad, no versiones oficiales de Jev.
Sigue nuevos modelos de la comunidad y experimentos de interfaces en Jev AI Radar.Explorar Jev AI Radar
Fuentes primarias
Lee las afirmaciones en su contexto.
Esta guía de Jev AI Dev explica el marco de TypeSafe con palabras propias. Consulta las fuentes oficiales para detalles de API, afirmaciones de producto, evaluación y novedades.
Prueba la forma, no solo la idea
Empieza por una decisión que tu aplicación ya toma.
Define las respuestas posibles, reúne ejemplos representativos, decide cómo tratar la incertidumbre y compara Jev con tus reglas o modelos. No automatices directamente decisiones de alto impacto.