Pahami state
Model menafsirkan teks natural atau terstruktur: tiket dukungan, jejak Agent, data produk, atau state game.
Jev AI Dev · panduan developer
Apa itu model AI System One? Panduan developer untuk Jev.
System One adalah kelas model AI dari TypeSafe untuk mengubah state aplikasi yang tidak terstruktur menjadi jawaban bertipe dan probabilitas. Jev adalah implementasi pertamanya: komponen keputusan terbatas yang dirancang untuk berada di dalam kode aplikasi.
- Input
- Teks, JSON, atau array teks
- Output
- Choice, Score, atau Noul
- Alur kontrol
- Tetap dimiliki kode Anda
Ini adalah panduan developer independen. Detail produk dan klaim performa bersumber dari TypeSafe. Uji Jev dengan data Anda sendiri sebelum digunakan di produksi.
System One
state → decisionsstate
“Saya ditagih dua kali dan masalah ini harus selesai hari ini.”
choicepenagihan0.96
noulmendesak0.88
scorefrustrasi1.7 / 2
if (confidence < threshold) → reviewKelas model
Model System One adalah primitive keputusan untuk kode aplikasi.
System One memahami makna input, tetapi tidak melanjutkan percakapan atau menyusun jawaban. Anda mendefinisikan pertanyaan dan bentuk jawaban yang diizinkan terlebih dahulu; model mengembalikan penilaian terbatas yang dapat diperiksa program.
Tetap dalam kontrak
Aplikasi menentukan ruang jawaban sebelum pemanggilan. Model memilih opsi, memberi nilai pada skala, atau menilai proposisi ya/tidak.
Tampilkan ketidakpastian
Setiap jawaban menyertakan sinyal probabilitas. Choice dan Score juga merangkum sebaran sebagai confidence.
Komposisikan dengan kode
Threshold, pemeriksaan kebijakan, efek samping, retry, fallback, dan tinjauan manusia tetap berada dalam kode biasa.
Jev dalam workflow
Cara developer mengintegrasikan Jev dengan kode aplikasi.
Jev mengubah satu pemanggilan model menjadi sekumpulan sinyal keputusan. Unit yang berguna bukan giliran chat, melainkan kontrak kecil dan bertipe antara model dan aplikasi.
1. Susun state
Kirim informasi yang dibutuhkan untuk keputusan. Saat ini Jev menerima input berbasis teks, termasuk string, objek JSON, dan array teks.
Pesan pelanggan + fakta akun2. Definisikan pertanyaan
Beri nama setiap pertanyaan, pilih primitive, lalu jelaskan opsi atau skala yang diizinkan. Beberapa pertanyaan independen dapat dikirim dalam satu request.
departemen · urgensi · frustrasi3. Jev mengevaluasi
Jev mengembalikan jawaban bertipe dan sinyal probabilitas untuk setiap pertanyaan. Choice dan Score juga menyertakan nilai confidence.
penagihan · 0,93 · confidence tinggi4. Kode menerapkan kebijakan
Gabungkan output model dengan pemeriksaan deterministik. Jalankan kasus jelas berisiko rendah; eskalasikan kasus ambigu atau berdampak tinggi ke manusia atau reasoning model.
arahkan · tanya · tinjau · hentikanTiga bentuk jawaban
Choice
billingTim mana yang harus menangani ini?
Memilih satu opsi dari himpunan yang telah ditentukan dan mengembalikan probabilitas untuk setiap opsi.
Score
1.43 / 2Seberapa parah masalah ini?
Menempatkan input pada spektrum dengan level berurutan; skor dapat berada di antara dua level.
Noul
0.95Apakah ini meminta pengembalian dana?
Menilai proposisi ya/tidak dan mengembalikan probabilitas model untuk “ya”.
Argumen dasarnya
Mengapa TypeSafe membuat antarmuka model untuk software.
Model generatif dibuat untuk menghasilkan string fleksibel bagi manusia. Menurut TypeSafe, software membutuhkan bentuk kecerdasan yang lebih sempit: dapat ditanam dalam kode, dijalankan berulang, menampilkan ketidakpastian, dan menjaga alur kontrol tetap terlihat.
String fleksibel tetapi terbuka
Output dapat berupa teks, kode, JSON, penolakan, atau format yang salah. Aplikasi sering harus melakukan parsing, validasi, dan penanganan error sebelum bertindak.
Otomasi membutuhkan batas
Saat model bekerja di latar belakang, program perlu mengetahui kemungkinan hasil dan tindakan yang diizinkan untuk masing-masing hasil sejak awal.
Ketidakpastian harus mengubah jalur
Distribusi probabilitas memungkinkan kasus yang jelas diotomatisasi dan kasus ambigu dialihkan ke jalur yang lebih aman.
Keputusan kecil harus dapat dikomposisikan
Workflow kompleks dapat dipecah menjadi penilaian semantik terfokus dan digabungkan dengan logika deterministik, bukan disembunyikan dalam satu prompt besar.
Di mana cocok digunakan
Di mana System One AI cocok dalam workflow developer.
Kasus terbaik terjadi berulang, membutuhkan pemahaman input yang berantakan, dan berujung pada sejumlah kecil tindakan yang sudah dapat dilakukan aplikasi.
Operasi dukungan
Klasifikasikan tiket, identifikasi intent dan urgensi, nilai sentimen, lalu kirim kasus yang tidak pasti untuk ditinjau.
Penagihan, teknis, akun, atau lainnya?
Kontrol Agent
Pilih model atau tool, tentukan kebutuhan retrieval, periksa kelengkapan hasil, atau evaluasi pemanggilan tool yang diajukan.
Haruskah Agent melanjutkan, mencoba ulang, atau mengeskalasi?
Peringkat dan relevansi
Nilai kecocokan kandidat terhadap query, profil, kebijakan, atau konteks, lalu gabungkan sinyal dengan aturan bisnis.
Seberapa relevan kandidat ini terhadap permintaan?
Keamanan dan verifikasi
Nilai pesan, output, jejak, atau perubahan kode dengan kriteria eksplisit; pertahankan risiko tinggi di belakang gate deterministik.
Apakah ini melanggar aturan yang ditentukan?
Interaksi real-time
Pilih tindakan yang diizinkan untuk game, simulasi, UI, atau perangkat tanpa menunggu respons generatif yang panjang.
Tindakan yang diizinkan mana yang paling sesuai dengan state ini?
Operasi data
Ubah volume record yang besar menjadi kategori, skor, flag, dan fitur untuk sistem berikutnya.
Apa kategori dan tingkat risiko record ini?
Cocok
Opsi telah diketahui, input rumit secara semantik, keputusan berulang, latensi penting, dan kode memiliki tindakan atau fallback untuk setiap hasil.
Kurang cocok
Tugas memerlukan teks atau kode baru, penalaran bertahap yang mendalam, riset luas, penjelasan, input multimodal, atau hasil tidak dapat ditentukan sebelumnya.
System One vs LLM generatif
System One dan LLM generatif menjalankan peran berbeda dalam stack AI.
Keduanya memahami bahasa, dan LLM dapat dibatasi dengan output terstruktur. Perbedaan yang lebih dalam adalah apa yang dirancang untuk dihasilkan model dan bagaimana software menggunakannya.
| Aspek | Jev / System One | LLM generatif umum |
|---|---|---|
| Tugas utama | Menilai hasil yang telah ditentukan | Menghasilkan kelanjutan atau respons |
| Output native | Pilihan bertipe, skor, atau probabilitas ya | Rangkaian token: teks, kode, JSON, atau lainnya |
| Ruang jawaban | Ditentukan sebelum pemanggilan | Pada dasarnya terbuka, meski schema membatasi format akhir |
| Ketidakpastian | Probabilitas untuk setiap jawaban; confidence untuk Choice dan Score | Dapat menyediakan probabilitas token atau confidence yang dilaporkan sendiri, biasanya bukan sinyal tugas yang terkalibrasi |
| Sampling | Menurut TypeSafe, pertanyaan dan output dinilai secara paralel | Umumnya berurutan, token demi token |
| Kekuatan | Cabang semantik berulang, scoring, routing, dan pemeriksaan | Penulisan, percakapan, kode, sintesis, dan penalaran terbuka |
| Mode kegagalan utama | Keputusan valid secara tipe tetapi salah secara semantik | Konten salah, salah format, tidak berdasar, atau menyimpang |
| Peran dalam sistem | Komponen keputusan terbatas dalam kode yang terlihat | Generator fleksibel atau reasoning model, sering dengan orkestrasi yang lebih luas |
Bagi developer yang mengevaluasi System One di luar Jev, bagian berikut menggunakan modul komunitas yang sama dengan halaman Projects. Modul ini membedakan model yang dilatih mandiri dari antarmuka bergaya Jev yang dibangun di atas bobot model yang sudah ada.
System One
Ekosistem System One komunitas
Model dan eksperimen antarmuka komunitas ini terinspirasi oleh Jev atau mengeksplorasi pendekatan serupa untuk keputusan terstruktur. Proyek ini bukan rilis resmi Jev dari TypeSafe dan tidak masuk dalam peringkat proyek GitHub di atas.
Model komunitas
Qwen3.5-9B + diffusion drafterJeeves
Model keputusan 9B bergaya Jev dengan tahap penalaran opsional, bobot, kode dan data pelatihan terbuka, serta API lokal yang kompatibel.
Model komunitas
Qwen3.5-4BOpenJev-4B
Model keputusan probabilistik 4B dengan kosakata terbuka, bobot dan pelatihan dua tahap yang dipublikasikan, inferensi lokal, serta layanan HTTP.
Model komunitas
Qwen3.5-9BBespoke Nimble
Adaptor LoRA dan panduan pelatihan yang terinspirasi Jev untuk pilihan dan pertanyaan ya/tidak. Bisa berjalan lokal, tetapi saat ini hanya menerima teks.
Model komunitas
Qwen3-0.6BNanoJev
Model kecil dengan komponen keputusan, kode pelatihan terbuka, dan demo gim untuk menguji pemilihan aksi.
Model komunitas
Qwen3.5-2Bdecider
Model yang disetel ulang untuk menghasilkan probabilitas pertanyaan terstruktur dalam satu proses. Rilis saat ini hanya mendukung bahasa Inggris.
Model komunitas
ModernBERT 151M / Verdict 2.0Verdict
Model keputusan kecil berbasis encoder, dengan bobot yang tersedia dan demo WebGPU di browser.
Model komunitas
Qwen3.5-0.8BDohnuts
Model keputusan multimodal 0,8B dengan bobot, kode pelatihan, dan hasil evaluasi yang dipublikasikan. Teks dan gambar diproses dalam satu forward pass; bobotnya untuk riset nonkomersial.
Eksperimen antarmuka
DiffusionGemma 26B-A4BOpenJev
Memakai model DiffusionGemma yang sudah ada untuk menjawab pertanyaan terstruktur lewat API mirip Jev. Tidak merilis bobot model baru.
Eksperimen antarmuka
Open-model logitsSimple Jev
Menilai jawaban yang diizinkan memakai model terbuka yang sudah ada melalui antarmuka mirip Jev. Tidak merilis bobot model baru.
Eksperimen antarmuka
Spark-X2.5-4BRizzo Flow
Server lokal yang kompatibel dengan Jev dan membaca logit jawaban dari Spark-X2.5. Beberapa pertanyaan berbagi satu prefill state; tersedia playground dan benchmark.
Eksperimen antarmuka
Any causal LLMAnyJev
Toolkit tanpa pelatihan yang mengubah model bahasa kausal menjadi model keputusan bertipe, lengkap dengan koreksi bias urutan opsi, kalibrasi opsional, dan benchmark yang dapat direproduksi.
Eksperimen antarmuka
Qwen3.5 / DeBERTalocal-jev
Server offline yang kompatibel dengan Jev untuk Qwen atau DeBERTa, telah diuji dengan SDK resmi dan dilengkapi hasil JevBench yang dipublikasikan.
Model komunitas
Qwen3-0.6BAgentJev
Model keputusan Qwen3-0.6B untuk jejak agen dan pertanyaan terstruktur lain, dengan bobot terbuka, API HTTP bertipe, dan tanpa decoding token.
Eksperimen antarmuka
Causal LMs / SGLangLLM2Jev
Mengubah model bahasa kausal lokal menjadi layanan Choice, Score, dan Noul yang kompatibel dengan Jev melalui penilaian prefill saja, dengan dukungan SGLang, Transformers, dan multimodal.
Eksperimen antarmuka
Laya / ONNX RuntimeLaya
Menjalankan model terbuka Laya System One di Node.js melalui ONNX Runtime, memakai format permintaan kompatibel Jev dan bobot model yang dipublikasikan.
Model komunitas
Qwen3.5-0.8BOpenThai System One
Model keputusan Qwen3.5-0.8B untuk bahasa Thai dan Inggris, dengan bobot, kode pelatihan, dan API HTTP kompatibel Jev yang dipublikasikan.
Model komunitas
Qwen3.5-0.8B / 2BValen
Model keputusan multimodal yang terinspirasi Jev untuk teks, gambar, dan video, dengan bobot, kode pelatihan, dan perintah evaluasi yang dipublikasikan.
Model komunitas
Qwen3.5-4BTev1
Model keputusan terbuka 4B hasil fine-tuning Qwen3.5, lengkap dengan bobot, metode pelatihan yang dapat direproduksi, dan asal data yang terdokumentasi.
Eksperimen antarmuka
Open decision modelsOllaya
Layanan Rust lokal yang mengunduh dan menjalankan beberapa model keputusan terbuka melalui API asli dan API yang kompatibel dengan TypeSafe.
Model komunitas
Qwen3.5-0.8B / 2B / 4BIntern-Decision
Keluarga model keputusan multimodal Qwen3.5 berukuran 0,8B, 2B, dan 4B dengan bobot, kode pelatihan dan inferensi, tolok ukur kalibrasi, serta API yang kompatibel dengan Jev.
Model komunitas
Qwen3.5-4BMica
Model keputusan 4B untuk bahasa Inggris dan Korea dengan bobot dan kuantisasi terbuka, probabilitas terkalibrasi, serta server lokal yang kompatibel dengan TypeSafe.
Model komunitas
Qwen3.5-0.8B / 2BJev-Style
Keluarga model lokal 0,8B dan 2B dengan bobot terbuka, konteks panjang, API kompatibel, skill agen, alat MCP, dan perintah evaluasi.
Model komunitas
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
Implementasi independen dengan bobot 2B, 9B, dan 27B, kode pelatihan, server lokal kompatibel, serta evaluasi yang dapat direproduksi.
Model komunitas
Qwen3.5-VL 2B / 4B / 9Bimajev
Keluarga model multimodal terbuka 2B, 4B, dan 9B untuk teks dan gambar, dengan probabilitas terkalibrasi, kemampuan menolak jawaban, bobot publik, dan API lokal kompatibel.
Model komunitas
0.6B / 0.8B / 4B decision modelsOpenDecider
Model terbuka berukuran kecil untuk keputusan Choice, Score, dan Noul, dengan bobot publik serta inferensi lokal di CPU, GPU NVIDIA, dan Apple Silicon.
Model komunitas
Qwen3.5-0.8B / 4Bjiwo
Model keputusan Qwen3.5 terbuka berukuran 0,8B dan 4B dengan bobot, kode pelatihan, API lokal kompatibel Jev, dan hasil Decision Index yang dapat direproduksi.
Model komunitas
Qwen3.5-0.8B / 4BSearchJev
Model Qwen3.5 terbuka berukuran 0,8B dan 4B yang dilatih untuk keputusan agen pencarian, dengan data, bobot, log pelatihan, dan kode kalibrasi yang dipublikasikan.
Eksperimen antarmuka
Cloudflare Clef 27B / 9Bcleffa
Mesin native C dan Metal untuk Cloudflare Clef dan Clef-Flash di Apple Silicon yang menyajikan keputusan teks, gambar, dan video melalui API kompatibel Jev.
Model komunitas
mmBERT 144.3MPhocinae Largha
Model keputusan encoder dwibahasa 144,3M parameter untuk keputusan bertipe secara lokal, lengkap dengan bobot, alat kalibrasi, evaluasi, dan server kompatibel Jev.
Model komunitas
Multilingual Laya checkpointsLaya Decision Engine
Mesin keputusan multibahasa non-autoregresif dengan checkpoint publik, kode pelatihan dan fine-tuning, keputusan bertipe, serta API lokal yang kompatibel.
Model komunitas
Qwen3.5-0.8B / 4BVegaML
Mesin keputusan multimodal lokal berbasis Qwen3.5 beku dan modul fisika kecil yang dapat dilatih, dengan checkpoint publik 0,8B dan 4B.
Eksperimen antarmuka
Laya / ONNX Runtime Javalaya-java
Runtime Java murni untuk Laya dengan integrasi Spring Boot dan Gradle serta endpoint kompatibel Jev dan OpenAI.
Model komunitas
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Kerangka untuk distilasi dan pelatihan model keputusan bergaya Jev pada Qwen3.5 atau Qwen3.8, lengkap dengan kalibrasi, evaluasi, dan server kompatibel.
Model komunitas
LLM-jp 4.1 8B / encoder 310Msaihai
Keluarga model keputusan bertipe untuk bahasa Jepang dengan bobot terbuka 8B dan 310M, kode pelatihan dan evaluasi, penyajian GGUF, serta API kompatibel System One.
Eksperimen antarmuka
Any llama.cpp GGUFCallosum
Menambahkan API System One dan jalur klasifikasi khusus pada model chat llama.cpp yang sudah berjalan, dengan kalibrasi dan penalaran terbatas opsional tanpa memuat model kedua.
Model komunitas
Qwen3-VL-4BOpenVisualJev
Model keputusan multimodal berbasis Qwen3-VL-4B dengan skor kandidat dinamis, pilihan yang tidak bergantung urutan, kode kalibrasi, dan laporan teknis; checkpoint belum dapat diunduh.
Model komunitas
BitNet b1.58 2BBitSOne-s1
Model keputusan ternari berbasis BitNet 2B dengan kepala pointer, probabilitas bertipe, catatan pelatihan yang dapat direproduksi, dan kalibrasi terukur; checkpoint yang diterbitkan masih privat.
Eksperimen antarmuka
Open ONNX decision modelsdecision-toolkit
Menjalankan pilihan model keputusan terbuka secara lokal di CPU melalui ONNX serta menyediakan pustaka bertipe, CLI, REST, dan API kompatibel System One.
Model komunitas
Qwen3-VL-4BFovea
Model keputusan visual terbuka 4B dengan bobot serta kode pelatihan dan kalibrasi yang dipublikasikan, disajikan melalui API TypeSafe System One.
Eksperimen antarmuka
Open decision model familiesFlide
Runtime lokal yang mempercepat model keputusan terbuka dengan percabangan keadaan yang presisi dan menyajikan berbagai keluarga model teks serta multimodal melalui satu antarmuka.
Model komunitas
Multilingual encoder 57M / ONNXSkejja
Model keputusan encoder multibahasa 57 juta parameter untuk Choice, Noul, dan Score, dengan inferensi ONNX, demo browser dan Raspberry Pi, serta API System One yang kompatibel.
Model komunitas
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
Model keputusan multimodal 9B yang mengutamakan CPU dan didistribusikan sebagai GGUF, dengan Choice, Score, Noul, API kompatibel TypeSafe, dan perangkat fine-tuning LoRA.
Proyek independen dari komunitas, bukan rilis resmi Jev.
Pantau model komunitas dan eksperimen antarmuka terbaru di Jev AI Radar.Jelajahi Jev AI Radar
Sumber primer
Baca klaim dalam konteksnya.
Panduan Jev AI Dev ini menjelaskan kerangka TypeSafe dengan kata-kata kami sendiri. Verifikasi detail API, klaim produk, metode evaluasi, dan pembaruan melalui sumber resmi.
Uji bentuknya, bukan hanya idenya
Mulai dengan satu keputusan yang sudah dibuat aplikasi Anda.
Definisikan jawaban, kumpulkan contoh representatif, tentukan penanganan ketidakpastian, lalu bandingkan Jev dengan aturan atau model saat ini. Jangan mengotomatiskan keputusan berdampak tinggi secara langsung.