Jev AI Dev · developersgids

Wat is het System One-AI-model? Een gids voor developers over Jev.

System One is TypeSafes klasse van AI-modellen die ongestructureerde applicatiestatus omzet in getypeerde antwoorden en kansen. Jev is de eerste implementatie: een begrensde besliscomponent voor applicatiecode.

Invoer: Tekst, JSON of tekstlijsten
Uitvoer: Choice, Score of Noul
Control flow: Blijft in je code

Bekijk de integratie van Jev Vergelijk met LLM’s

Dit is een onafhankelijke developersgids. Productdetails en prestatieclaims zijn afkomstig van TypeSafe. Test Jev met eigen data voordat je het in productie gebruikt.

System Onestate → decisions

state

“Ik ben twee keer afgeschreven en wil dit vandaag oplossen.”

choicefacturatie0.96

nouldringend0.88

scorefrustratie1.7 / 2

if (confidence < threshold) → review

De modelklasse

Een System One-model is een beslisprimitief voor applicatiecode.

Een System One-model begrijpt de betekenis van invoer, maar vervolgt geen gesprek en schrijft geen antwoord. Je declareert eerst de vraag en toegestane antwoordvorm; het model geeft een begrensd oordeel dat software kan controleren.

De status begrijpen

Het model interpreteert natuurlijke of gestructureerde tekst: een ticket, Agent-trace, productrecord of spelstatus.

Binnen het contract blijven

De applicatie definieert vooraf de antwoordruimte. Het model kiest een optie, scoort op een schaal of beoordeelt een ja/nee-stelling.

Onzekerheid tonen

Elk antwoord bevat een kanssignaal. Choice en Score vatten de verdeling ook samen als confidence.

Combineren met code

Drempels, beleid, acties, retries, fallbacks en menselijke controle blijven in gewone code.

Jev in een workflow

Zo integreren developers Jev in applicatiecode.

Jev zet één modelaanroep om in meerdere beslissignalen. De nuttige eenheid is geen chatbeurt, maar een klein, getypeerd contract tussen model en applicatie.

Invoer

1. Bouw de status

Stuur de informatie die nodig is voor de beslissing. Jev accepteert momenteel tekstinvoer: strings, JSON-objecten en tekstlijsten.

Klantbericht + accountgegevens

Contract

2. Definieer vragen

Geef elke vraag een naam, kies de primitive en beschrijf opties of schaal. Meerdere onafhankelijke vragen kunnen in één request.

team · urgentie · frustratie

Model

3. Jev beoordeelt

Jev geeft per vraag een getypeerd antwoord en een kanssignaal. Choice en Score bevatten ook confidence.

facturatie · 0,93 · hoge confidence

Applicatie

4. Code past beleid toe

Combineer modeluitvoer met deterministische checks. Voer duidelijke gevallen met laag risico uit; stuur onduidelijke of belangrijke gevallen naar een mens of reasoning-model.

routeren · vragen · reviewen · stoppen

Drie antwoordvormen

Choicebilling

Welk team moet dit afhandelen?

Kiest één optie uit een vooraf bepaalde set en geeft de kans voor elke optie.

Score1.43 / 2

Hoe ernstig is het probleem?

Plaatst de invoer op een beschreven, geordende schaal; de score kan tussen niveaus liggen.

Noul0.95

Vraagt dit om terugbetaling?

Beoordeelt een ja/nee-stelling en geeft de kans op “ja”.

Het argument

Waarom TypeSafe een modelinterface voor software bouwde.

Generatieve modellen maken flexibele strings voor mensen. TypeSafe stelt dat software een smallere intelligentie nodig heeft: in code in te bouwen, herhaalbaar, met zichtbare onzekerheid en een transparante control flow.

Strings zijn flexibel maar open

Uitvoer kan tekst, code, JSON, een weigering of een ongeldig formaat zijn. De applicatie moet vaak parseren, valideren en herstellen voordat zij handelt.

Automatisering heeft grenzen nodig

Als een model op de achtergrond draait, moet het programma vooraf de mogelijke uitkomsten en toegestane acties kennen.

Onzekerheid moet de route veranderen

Een kansverdeling maakt het mogelijk duidelijke gevallen te automatiseren en onduidelijke via een veiliger pad te sturen.

Kleine beslissingen moeten composable zijn

Een complexe workflow kan worden opgesplitst in gerichte semantische oordelen en met deterministische logica worden verbonden.

Waar het past

Waar System One AI past in developerworkflows.

De beste kandidaten komen vaak voor, vereisen begrip van rommelige invoer en leiden tot enkele acties die de applicatie al kan uitvoeren.

Supportoperaties

Classificeer tickets, herken intentie en urgentie, schat sentiment en stuur onzekere gevallen naar review.

Facturatie, technisch, account of iets anders?

Agentbesturing

Kies model of tool, bepaal of retrieval nodig is, beoordeel volledigheid of controleer een voorgestelde tool call.

Moet de Agent doorgaan, opnieuw proberen of escaleren?

Ranking en relevantie

Score hoe een kandidaat past bij query, profiel, beleid of context en combineer het signaal met bedrijfsregels.

Hoe relevant is deze kandidaat voor het verzoek?

Veiligheid en verificatie

Beoordeel berichten, uitvoer, traces of codewijzigingen tegen expliciete criteria; hoog risico blijft achter deterministische gates.

Schendt dit de opgegeven regel?

Realtime interactie

Kies toegestane acties voor games, simulaties, interfaces of apparaten zonder een lang antwoord te genereren.

Welke toegestane actie past het best bij deze status?

Dataverwerking

Zet grote aantallen records om in categorieën, scores, vlaggen en features voor vervolgsystemen.

Welke categorie en risicoklasse geldt voor dit record?

Goede match

De opties zijn bekend, de invoer is semantisch complex, de beslissing herhaalt zich, latency telt en code heeft voor elk resultaat een actie of fallback.

Slechte match

Je hebt originele tekst of code, diep meerstaps redeneren, breed onderzoek, uitleg, multimodale invoer of niet vooraf definieerbare uitkomsten nodig.

System One en generatieve LLM’s

System One en generatieve LLM’s hebben verschillende rollen in een AI-stack.

Beide begrijpen taal en een LLM kan ook gestructureerde uitvoer krijgen. Het diepere verschil is wat het model van nature moet produceren en hoe software het gebruikt.

Aspect	Jev / System One	Gebruikelijke generatieve LLM
Hoofdtaak	Vooraf bepaalde uitkomsten beoordelen	Een vervolg of antwoord genereren
Native uitvoer	Getypeerde keuze, score of ja-kans	Tokenreeks: tekst, code, JSON of anders
Antwoordruimte	Voor de call gedeclareerd	In wezen open, ook als schema het eindformaat beperkt
Onzekerheid	Kans per antwoord; confidence voor Choice en Score	Kan tokenkansen of zelfgerapporteerd vertrouwen geven, zelden een voor de taak gekalibreerd signaal
Sampling	Volgens TypeSafe worden vragen en uitvoer parallel beoordeeld	Meestal sequentieel, token voor token
Sterk in	Veelvoorkomende semantische vertakkingen, scoring, routing en checks	Schrijven, dialoog, code, synthese en open redeneren
Belangrijkste fout	Geldig getypeerde maar semantisch foute beslissing	Foute, misvormde, ongefundeerde of afgedwaalde inhoud
Rol in het systeem	Begrensde besliscomponent in zichtbare code	Flexibele generator of reasoner, vaak met grotere orchestration

Voor developers die System One buiten Jev beoordelen, staat hieronder dezelfde communitymodule als op Projects. Deze scheidt onafhankelijk getrainde modellen van Jev-achtige interfaces op bestaande weights.

System One

System One-ecosysteem van de community

Deze communitymodellen en interface-experimenten zijn geïnspireerd door Jev of onderzoeken vergelijkbare manieren om gestructureerde beslissingen te nemen. Het zijn geen officiële Jev-versies van TypeSafe en ze tellen niet mee in de GitHub-ranglijst hierboven.

CommunitymodelQwen3.5-9B

Bespoke Nimble

Een door Jev geïnspireerde LoRA-adapter met trainingsmethode voor keuze- en ja/nee-vragen. Draait lokaal en verwerkt alleen tekst.

GitHub

CommunitymodelQwen3-0.6B

NanoJev

Een klein model met besliskoppen, openbare trainingscode en gamedemo’s om acties te kiezen.

GitHub

CommunitymodelQwen3.5-2B

decider

Een gefinetuned model dat in één doorgang kansen voor gestructureerde vragen teruggeeft. De huidige versie ondersteunt alleen Engels.

GitHub

CommunitymodelModernBERT 151M

Verdict

Een klein, op een encoder gebaseerd beslismodel met gepubliceerde gewichten en een WebGPU-demo in de browser.

GitHub

CommunitymodelQwen3.5-0.8B

Dohnuts

Een multimodaal beslismodel van 0,8B met gepubliceerde gewichten, trainingscode en evaluaties. Het verwerkt tekst en beelden in één doorgang; de gewichten zijn voor niet-commercieel onderzoek.

GitHub

Interface-experimentDiffusionGemma 26B-A4B

OpenJev

Gebruikt het bestaande DiffusionGemma-model om gestructureerde vragen te beantwoorden via een Jev-achtige API. Publiceert geen nieuwe modelgewichten.

GitHub

Interface-experimentOpen-model logits

Simple Jev

Scoort toegestane antwoorden met bestaande open modellen via een Jev-achtige interface. Er worden geen nieuwe modelgewichten gepubliceerd.

GitHub

Interface-experimentSpark-X2.5-4B

Rizzo Flow

Een lokaal draaiende Jev-compatibele server die antwoordlogits van Spark-X2.5 uitleest. Vragen delen één prefill van de toestand; een playground en benchmarks zijn inbegrepen.

GitHub

Interface-experimentAny causal LLM

AnyJev

Een toolkit die causale taalmodellen zonder training omzet in getypeerde beslismodellen, met correctie voor volgorde-effecten, optionele kalibratie en reproduceerbare benchmarks.

GitHub

Interface-experimentQwen3.5 / DeBERTa

local-jev

Een offline Jev-compatibele server voor Qwen of DeBERTa, getest met de officiële SDK en met gepubliceerde JevBench-resultaten.

GitHub

Onafhankelijke communityprojecten, geen officiële Jev-versies.

Primaire bronnen

Lees claims in hun context.

Deze Jev AI Dev-gids legt TypeSafes kader in eigen woorden uit. Raadpleeg officiële bronnen voor API-details, productclaims, evaluatie en updates.

01System One-documentatie 02Jev-lancering en technische claims 03Composable AI-manifest 04Officiële kaart met toepassingen

Test de vorm, niet alleen het idee

Begin met één beslissing die je applicatie al neemt.

Definieer antwoorden, verzamel representatieve voorbeelden, bepaal hoe onzekerheid wordt afgehandeld en vergelijk Jev met bestaande regels of modellen. Automatiseer beslissingen met grote gevolgen niet rechtstreeks.

Probeer Jev in de Playground Bekijk Jev-projecten