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

Lihat integrasi Jev Bandingkan dengan LLM

Ini adalah panduan developer independen. Detail produk dan klaim performa bersumber dari TypeSafe. Uji Jev dengan data Anda sendiri sebelum digunakan di produksi.

System Onestate → decisions

state

“Saya ditagih dua kali dan masalah ini harus selesai hari ini.”

choicepenagihan0.96

noulmendesak0.88

scorefrustrasi1.7 / 2

if (confidence < threshold) → review

Kelas 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.

Pahami state

Model menafsirkan teks natural atau terstruktur: tiket dukungan, jejak Agent, data produk, atau state game.

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.

Input

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 akun

Kontrak

2. 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 · frustrasi

Model

3. Jev mengevaluasi

Jev mengembalikan jawaban bertipe dan sinyal probabilitas untuk setiap pertanyaan. Choice dan Score juga menyertakan nilai confidence.

penagihan · 0,93 · confidence tinggi

Aplikasi

4. 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 · hentikan

Tiga bentuk jawaban

Choicebilling

Tim mana yang harus menangani ini?

Memilih satu opsi dari himpunan yang telah ditentukan dan mengembalikan probabilitas untuk setiap opsi.

Score1.43 / 2

Seberapa parah masalah ini?

Menempatkan input pada spektrum dengan level berurutan; skor dapat berada di antara dua level.

Noul0.95

Apakah 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 komunitasQwen3.5-9B

Bespoke Nimble

Adaptor LoRA dan panduan pelatihan yang terinspirasi Jev untuk pilihan dan pertanyaan ya/tidak. Bisa berjalan lokal, tetapi saat ini hanya menerima teks.

GitHub

Model komunitasQwen3-0.6B

NanoJev

Model kecil dengan komponen keputusan, kode pelatihan terbuka, dan demo gim untuk menguji pemilihan aksi.

GitHub

Model komunitasQwen3.5-2B

decider

Model yang disetel ulang untuk menghasilkan probabilitas pertanyaan terstruktur dalam satu proses. Rilis saat ini hanya mendukung bahasa Inggris.

GitHub

Model komunitasModernBERT 151M

Verdict

Model keputusan kecil berbasis encoder, dengan bobot yang tersedia dan demo WebGPU di browser.

GitHub

Model komunitasQwen3.5-0.8B

Dohnuts

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.

GitHub

Eksperimen antarmukaDiffusionGemma 26B-A4B

OpenJev

Memakai model DiffusionGemma yang sudah ada untuk menjawab pertanyaan terstruktur lewat API mirip Jev. Tidak merilis bobot model baru.

GitHub

Eksperimen antarmukaOpen-model logits

Simple Jev

Menilai jawaban yang diizinkan memakai model terbuka yang sudah ada melalui antarmuka mirip Jev. Tidak merilis bobot model baru.

GitHub

Eksperimen antarmukaSpark-X2.5-4B

Rizzo 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.

GitHub

Eksperimen antarmukaAny causal LLM

AnyJev

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.

GitHub

Eksperimen antarmukaQwen3.5 / DeBERTa

local-jev

Server offline yang kompatibel dengan Jev untuk Qwen atau DeBERTa, telah diuji dengan SDK resmi dan dilengkapi hasil JevBench yang dipublikasikan.

GitHub

Proyek independen dari komunitas, bukan rilis resmi Jev.

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.

01Dokumentasi System One 02Peluncuran Jev dan klaim teknis 03Manifesto Composable AI 04Peta kasus penggunaan 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.

Coba Jev di Playground Lihat proyek Jev