Comprendre l’état
Le modèle interprète du texte naturel ou structuré : ticket, trace d’Agent, fiche produit ou état de jeu.
Jev AI Dev · guide développeur
Qu’est-ce que le modèle d’IA System One ? Un guide de Jev pour les développeurs.
System One est la classe de modèles d’IA de TypeSafe qui transforme un état applicatif non structuré en réponses typées et en probabilités. Jev en est la première implémentation : un composant de décision borné conçu pour le code applicatif.
- Entrée
- Texte, JSON ou tableaux de textes
- Sortie
- Choice, Score ou Noul
- Flux de contrôle
- Géré par votre code
Ce guide développeur est indépendant. Les caractéristiques produit et les performances citées sont attribuées à TypeSafe. Testez Jev sur vos propres données avant toute utilisation en production.
System One
state → decisionsstate
« J’ai été débité deux fois et je souhaite une résolution aujourd’hui. »
choicefacturation0.96
noulurgent0.88
scoremécontentement1.7 / 2
if (confidence < threshold) → reviewLa classe de modèle
Un modèle System One est une primitive de décision pour le code applicatif.
Un modèle System One comprend le sens d’une entrée, mais ne poursuit pas une conversation et ne rédige pas de réponse. Vous déclarez d’abord la question et la forme de réponse autorisée ; le modèle renvoie un jugement borné que le programme peut inspecter.
Respecter le contrat
L’application définit l’espace des réponses avant l’appel. Le modèle choisit une option, situe un élément sur une échelle ou évalue une proposition binaire.
Exposer l’incertitude
Chaque réponse fournit un signal de probabilité. Choice et Score résument aussi la distribution par une confidence.
Composer avec le code
Les seuils, règles, effets, nouvelles tentatives, solutions de repli et validations humaines restent du ressort du code.
Jev dans un workflow
Comment les développeurs intègrent Jev au code applicatif.
Jev transforme un appel de modèle en plusieurs signaux de décision. Pour un développeur, l’unité utile n’est pas un tour de conversation, mais un petit contrat typé entre modèle et application.
1. Construire l’état
Envoyez les informations nécessaires à la décision. Jev accepte actuellement des entrées textuelles : chaînes, objets JSON et tableaux de textes.
Message client + données du compte2. Définir les questions
Nommez chaque question, choisissez sa primitive et décrivez les options ou l’échelle autorisées. Plusieurs questions indépendantes peuvent partager une requête.
service · urgence · mécontentement3. Jev les évalue
Jev renvoie une réponse typée et un signal de probabilité par question. Choice et Score ajoutent une confidence distincte.
facturation · 0,93 · confidence élevée4. Le code applique la politique
Combinez la sortie du modèle avec des contrôles déterministes. Automatisez les cas clairs et peu risqués ; transmettez les cas ambigus ou sensibles à un humain ou à un modèle de raisonnement.
router · demander · vérifier · arrêterTrois formes de réponse
Choice
billingQuelle équipe doit traiter ce cas ?
Sélectionne une option dans un ensemble prédéfini et renvoie la probabilité de chaque option.
Score
1.43 / 2Quelle est la gravité du problème ?
Positionne l’entrée sur une échelle ordonnée et décrite ; le résultat peut se situer entre deux niveaux.
Noul
0.95Cette demande concerne-t-elle un remboursement ?
Évalue une proposition oui/non et renvoie la probabilité de « oui ».
Le raisonnement
Pourquoi TypeSafe a conçu une interface de modèle pour le logiciel.
Les modèles génératifs produisent des chaînes flexibles pour les humains. TypeSafe estime que le logiciel a besoin d’une intelligence plus étroite : intégrable au code, répétable, capable d’exposer l’incertitude et de garder le flux de contrôle visible.
Les chaînes sont souples mais ouvertes
La sortie peut être du texte, du code, du JSON, un refus ou un format invalide. L’application doit souvent analyser, valider et récupérer avant d’agir.
L’automatisation exige des limites
Lorsqu’un modèle travaille en arrière-plan, le programme doit connaître les résultats possibles et les actions que chacun peut autoriser.
L’incertitude doit changer le parcours
Une distribution de probabilités permet d’automatiser les cas clairs et d’orienter les cas ambigus vers une voie plus sûre.
Les petites décisions doivent se composer
Un workflow complexe peut être décomposé en jugements sémantiques ciblés, puis relié par une logique déterministe plutôt que caché dans un grand prompt.
Où l’utiliser
Où System One AI s’insère dans les workflows de développement.
Les meilleurs candidats sont fréquents, demandent de comprendre des entrées désordonnées et conduisent à un petit nombre d’actions que l’application sait déjà exécuter.
Opérations de support
Classer les tickets, détecter intention et urgence, estimer le ressenti et soumettre les cas incertains à une vérification.
Facturation, technique, compte ou autre ?
Contrôle des Agents
Choisir un modèle ou un outil, décider si une recherche est nécessaire, vérifier la complétude ou examiner un appel d’outil proposé.
L’Agent peut-il continuer, réessayer ou escalader ?
Classement et pertinence
Noter la correspondance d’un candidat avec une requête, un profil, une règle ou un contexte, puis combiner ce signal aux règles métier.
Ce candidat est-il pertinent pour la demande ?
Sécurité et vérification
Évaluer messages, sorties, traces ou modifications de code selon des critères explicites ; les risques élevés restent derrière des garde-fous déterministes.
Cela enfreint-il la règle définie ?
Interaction temps réel
Choisir des actions autorisées pour jeux, simulations, interfaces ou appareils sans générer une longue réponse.
Quelle action autorisée convient le mieux à cet état ?
Opérations sur les données
Transformer des volumes de données en catégories, scores, indicateurs et caractéristiques utilisables en aval.
Quelle catégorie et quel niveau de risque pour cet enregistrement ?
Bon choix
Les options sont connues, l’entrée est sémantiquement complexe, la décision se répète, la latence compte et le code prévoit une action ou un repli pour chaque résultat.
Mauvais choix
La tâche exige du texte ou du code original, un raisonnement profond en plusieurs étapes, de la recherche, une explication, des entrées multimodales ou des résultats impossibles à définir à l’avance.
System One et LLM génératifs
System One et les LLM génératifs jouent des rôles différents dans une pile IA.
Les deux comprennent le langage, et un LLM peut produire une sortie structurée. La distinction profonde tient à ce que le modèle est conçu pour produire et à la manière dont le logiciel l’utilise.
| Aspect | Jev / System One | LLM génératif courant |
|---|---|---|
| Mission principale | Évaluer des résultats prédéfinis | Générer une suite ou une réponse |
| Sortie native | Choix typé, score ou probabilité de oui | Suite de tokens : texte, code, JSON ou autre |
| Espace des réponses | Déclaré avant l’appel | Ouvert par nature, même si un schéma contraint le format final |
| Incertitude | Probabilité pour chaque réponse ; confidence pour Choice et Score | Probabilités de tokens ou confiance déclarée possibles, rarement un signal calibré pour la tâche |
| Échantillonnage | Selon TypeSafe, questions et sorties sont évaluées en parallèle | Génération généralement séquentielle, token par token |
| Points forts | Branches sémantiques fréquentes, notation, routage, contrôles | Rédaction, dialogue, code, synthèse, raisonnement ouvert |
| Risque principal | Décision bien typée mais sémantiquement fausse | Contenu faux, mal formé, non étayé ou hors sujet |
| Rôle système | Composant de décision borné dans un code visible | Générateur ou raisonneur flexible, souvent entouré d’une orchestration plus large |
Pour les développeurs qui évaluent System One au-delà de Jev, le module communautaire de la page Projects est repris ci-dessous. Il distingue les modèles entraînés indépendamment des interfaces proches de Jev bâties sur des poids existants.
System One
Écosystème System One de la communauté
Ces modèles et expériences d’interface de la communauté s’inspirent de Jev ou explorent des approches comparables de décision structurée. Ce ne sont pas des versions officielles de Jev publiées par TypeSafe et ils ne figurent pas dans le classement GitHub ci-dessus.
Modèle communautaire
Qwen3.5-9B + diffusion drafterJeeves
Un modèle décisionnel de 9B inspiré de Jev, avec raisonnement facultatif, poids, code et données d’entraînement publiés, ainsi qu’une API locale compatible.
Modèle communautaire
Qwen3.5-4BOpenJev-4B
Un modèle décisionnel probabiliste de 4B à vocabulaire ouvert, avec poids et entraînement en deux étapes publiés, inférence locale et service HTTP.
Modèle communautaire
Qwen3.5-9BBespoke Nimble
Un adaptateur LoRA inspiré de Jev, avec sa méthode d’entraînement, pour les choix et les questions oui/non. Exécution locale, texte uniquement.
Modèle communautaire
Qwen3-0.6BNanoJev
Un petit modèle doté de têtes de décision, avec code d’entraînement public et démos de jeux pour tester le choix d’actions.
Modèle communautaire
Qwen3.5-2Bdecider
Un modèle affiné qui renvoie en un seul passage les probabilités de questions structurées. La version actuelle est limitée à l’anglais.
Modèle communautaire
ModernBERT 151M / Verdict 2.0Verdict
Un petit modèle de décision fondé sur un encodeur, avec poids publiés et démo WebGPU dans le navigateur.
Modèle communautaire
Qwen3.5-0.8BDohnuts
Un modèle de décision multimodal de 0,8 B avec poids, code d’entraînement et évaluations publiés. Il traite texte et images en un seul passage ; les poids sont réservés à la recherche non commerciale.
Expérience d’interface
DiffusionGemma 26B-A4BOpenJev
Utilise le modèle DiffusionGemma existant pour répondre à des questions structurées via une API proche de Jev. Aucun nouveau poids de modèle n’est publié.
Expérience d’interface
Open-model logitsSimple Jev
Une interface proche de Jev qui évalue les réponses possibles avec des modèles ouverts existants. Aucun nouveau poids de modèle.
Expérience d’interface
Spark-X2.5-4BRizzo Flow
Un serveur local compatible avec Jev qui lit les logits de réponse de Spark-X2.5. Plusieurs questions partagent le même préremplissage de l’état ; un bac à sable et des benchmarks sont inclus.
Expérience d’interface
Any causal LLMAnyJev
Un outil sans entraînement qui transforme les modèles de langage causaux en modèles de décision typée, avec correction du biais d’ordre, étalonnage facultatif et benchmarks reproductibles.
Expérience d’interface
Qwen3.5 / DeBERTalocal-jev
Un serveur hors ligne compatible avec Jev pour Qwen ou DeBERTa, testé avec le SDK officiel et accompagné de résultats JevBench publiés.
Modèle communautaire
Qwen3-0.6BAgentJev
Un modèle de décision Qwen3-0.6B pour les traces d’agents et d’autres questions structurées, avec poids publiés, API HTTP typée et sans décodage de jetons.
Expérience d’interface
Causal LMs / SGLangLLM2Jev
Transforme des modèles de langage causaux locaux en services Choice, Score et Noul compatibles Jev par évaluation du préremplissage, avec SGLang, Transformers et prise en charge multimodale.
Expérience d’interface
Laya / ONNX RuntimeLaya
Exécute le modèle ouvert Laya System One dans Node.js avec ONNX Runtime, un format de requête compatible Jev et des poids publiés.
Modèle communautaire
Qwen3.5-0.8BOpenThai System One
Un modèle de décision Qwen3.5-0.8B en thaï et en anglais, avec poids, code d’entraînement et API HTTP compatible Jev publiés.
Modèle communautaire
Qwen3.5-0.8B / 2BValen
Un modèle de décision multimodal inspiré de Jev qui accepte texte, images et vidéo, avec poids, code d’entraînement et commandes d’évaluation publiés.
Modèle communautaire
Qwen3.5-4BTev1
Un modèle de décision ouvert de 4B affiné à partir de Qwen3.5, avec poids, méthode d’entraînement reproductible et provenance des données documentée.
Expérience d’interface
Open decision modelsOllaya
Un service Rust local qui télécharge et exécute plusieurs modèles de décision ouverts derrière des API natives et compatibles avec TypeSafe.
Modèle communautaire
Qwen3.5-0.8B / 2B / 4BIntern-Decision
Une famille multimodale Qwen3.5 de 0,8B, 2B et 4B, avec poids, code d’entraînement et d’inférence, tests de calibration et API compatible Jev.
Modèle communautaire
Qwen3.5-4BMica
Un modèle de décision 4B en anglais et coréen, avec poids et quantifications publiés, probabilités calibrées et serveur local compatible TypeSafe.
Modèle communautaire
Qwen3.5-0.8B / 2BJev-Style
Une famille locale de modèles 0,8B et 2B avec poids publiés, contexte long, API compatible, compétences pour agents, outils MCP et commandes d’évaluation.
Modèle communautaire
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
Une implémentation indépendante avec poids 2B, 9B et 27B, code d’entraînement, serveur local compatible et évaluations reproductibles publiés.
Modèle communautaire
Qwen3.5-VL 2B / 4B / 9Bimajev
Une famille ouverte de modèles multimodaux 2B, 4B et 9B pour texte et images, avec probabilités calibrées, abstention, poids publiés et API locale compatible.
Modèle communautaire
0.6B / 0.8B / 4B decision modelsOpenDecider
De petits modèles ouverts pour les décisions Choice, Score et Noul, avec poids publiés et inférence locale sur CPU, GPU NVIDIA et Apple Silicon.
Modèle communautaire
Qwen3.5-0.8B / 4Bjiwo
Des modèles décisionnels Qwen3.5 ouverts de 0,8B et 4B, avec poids, code d’entraînement, API locale compatible Jev et résultats Decision Index reproductibles.
Modèle communautaire
Qwen3.5-0.8B / 4BSearchJev
Des modèles Qwen3.5 ouverts de 0,8B et 4B entraînés pour les décisions d’agents de recherche, avec données, poids, journaux d’entraînement et code d’étalonnage publiés.
Expérience d’interface
Cloudflare Clef 27B / 9Bcleffa
Un moteur natif C et Metal pour exécuter Cloudflare Clef et Clef-Flash sur Apple Silicon et servir des décisions texte, image et vidéo via une API compatible Jev.
Modèle communautaire
mmBERT 144.3MPhocinae Largha
Un modèle décisionnel encodeur bilingue de 144,3M paramètres pour les décisions typées locales, avec poids, outils d’étalonnage, évaluations et serveur compatible Jev.
Modèle communautaire
Multilingual Laya checkpointsLaya Decision Engine
Un moteur de décision multilingue non autorégressif avec checkpoints, code d’entraînement et d’adaptation, décisions typées et API locales compatibles.
Modèle communautaire
Qwen3.5-0.8B / 4BVegaML
Un moteur multimodal local combinant des bases Qwen3.5 gelées et un petit module physique entraînable, avec checkpoints publics 0,8B et 4B.
Expérience d’interface
Laya / ONNX Runtime Javalaya-java
Un environnement Java pur pour Laya, avec intégrations Spring Boot et Gradle et points d’accès compatibles Jev et OpenAI.
Modèle communautaire
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Un cadre de distillation et d’entraînement de modèles de décision de type Jev sur Qwen3.5 ou Qwen3.8, avec calibration, évaluation et serveur compatible.
Modèle communautaire
LLM-jp 4.1 8B / encoder 310Msaihai
Famille japonaise de modèles de décision typés avec poids 8B et 310M ouverts, code d’entraînement et d’évaluation, service GGUF et API compatible System One.
Expérience d’interface
Any llama.cpp GGUFCallosum
Ajoute à un modèle de chat llama.cpp existant une API System One et des files réservées à la classification, avec calibration et raisonnement limité facultatifs, sans second modèle.
Modèle communautaire
Qwen3-VL-4BOpenVisualJev
Modèle de décision multimodal Qwen3-VL-4B avec notation dynamique des choix, invariance à leur ordre, code de calibration et rapport technique ; les checkpoints ne sont pas encore téléchargeables.
Modèle communautaire
BitNet b1.58 2BBitSOne-s1
Modèle de décision ternaire BitNet 2B avec tête pointeur, probabilités typées, historique d’entraînement reproductible et calibration mesurée ; le checkpoint publié reste privé.
Expérience d’interface
Open ONNX decision modelsdecision-toolkit
Exécute localement sur CPU une sélection de modèles de décision ouverts via ONNX et expose une bibliothèque typée, une CLI, une API REST et une API compatible System One.
Modèle communautaire
Qwen3-VL-4BFovea
Un modèle de décision visuel ouvert de 4B, avec poids et code d’entraînement et d’étalonnage publiés, servi via l’API TypeSafe System One.
Expérience d’interface
Open decision model familiesFlide
Un moteur local qui accélère les modèles de décision ouverts par bifurcation exacte de l’état et sert plusieurs familles textuelles et multimodales derrière une interface unique.
Modèle communautaire
Multilingual encoder 57M / ONNXSkejja
Un modèle de décision encodeur multilingue de 57 M de paramètres pour Choice, Noul et Score, avec inférence ONNX, démos navigateur et Raspberry Pi, et API System One compatible.
Modèle communautaire
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
Un modèle de décision multimodal 9B pensé pour le CPU et distribué en GGUF, avec Choice, Score, Noul, API compatible TypeSafe et kit d’ajustement LoRA.
Des projets indépendants de la communauté, pas des versions officielles de Jev.
Suivez les nouveaux modèles communautaires et les expérimentations d’interfaces dans Jev AI Radar.Découvrir Jev AI Radar
Sources primaires
Relire les affirmations dans leur contexte.
Ce guide Jev AI Dev reformule le cadre de TypeSafe. Consultez les sources officielles pour l’API, les affirmations produit, les méthodes d’évaluation et les mises à jour.
Tester la forme, pas seulement l’idée
Commencez par une décision que votre application prend déjà.
Définissez les réponses possibles, rassemblez des exemples représentatifs, décidez comment traiter l’incertitude et comparez Jev à vos règles ou modèles actuels. N’automatisez pas directement une décision à fort impact.