Forstå tilstanden
Modellen tolker naturlig eller strukturert tekst: en supportsak, en Agent-sporing, en produktpost eller en spilltilstand.
Jev AI Dev · utviklerguide
Hva er System One-AI-modellen? En utviklerguide til Jev.
System One er TypeSafes klasse av AI-modeller som gjør ustrukturert applikasjonstilstand om til typede svar og sannsynligheter. Jev er den første implementasjonen: en avgrenset beslutningskomponent for applikasjonskode.
- Inndata
- Tekst, JSON eller tekstlister
- Utdata
- Choice, Score eller Noul
- Kontrollflyt
- Styres av koden din
Dette er en uavhengig utviklerguide. Produkt- og ytelsesopplysninger kommer fra TypeSafe. Test Jev med egne data før bruk i produksjon.
System One
state → decisionsstate
«Jeg ble belastet to ganger og trenger at dette løses i dag.»
choicefakturering0.96
noulhaster0.88
scorefrustrasjon1.7 / 2
if (confidence < threshold) → reviewModellklassen
En System One-modell er en beslutningsprimitiv for applikasjonskode.
En System One-modell forstår betydningen av inndata, men fortsetter ikke en samtale og skriver ikke et svar. Du angir først spørsmålet og tillatt svarform; modellen returnerer en avgrenset vurdering som programmet kan kontrollere.
Hold kontrakten
Applikasjonen definerer svarrommet før kallet. Modellen velger et alternativ, vurderer på en skala eller evaluerer et ja/nei-utsagn.
Vis usikkerhet
Hvert svar har et sannsynlighetssignal. Choice og Score oppsummerer også fordelingen som confidence.
Sett sammen med kode
Terskler, regler, handlinger, nye forsøk, fallback og menneskelig kontroll forblir i vanlig kode.
Jev i en arbeidsflyt
Slik integrerer utviklere Jev i applikasjonskode.
Jev gjør ett modellkall om til flere beslutningssignaler. Den nyttige enheten er ikke en chatrunde, men en liten, typet kontrakt mellom modell og applikasjon.
1. Bygg tilstanden
Send informasjonen som trengs for beslutningen. Jev tar nå tekstbaserte inndata: strenger, JSON-objekter og tekstlister.
Kundemelding + kontodata2. Definer spørsmål
Navngi hvert spørsmål, velg primitive og beskriv alternativer eller skala. Flere uavhengige spørsmål kan sendes i samme forespørsel.
team · hast · frustrasjon3. Jev vurderer
Jev returnerer et typet svar og sannsynlighet per spørsmål. Choice og Score inneholder også confidence.
fakturering · 0,93 · høy confidence4. Koden bruker reglene
Kombiner utdata med deterministiske kontroller. Kjør tydelige tilfeller med lav risiko; send uklare eller viktige tilfeller til et menneske eller en reasoning-modell.
rut · spør · vurder · stoppTre svarformer
Choice
billingHvilket team skal håndtere saken?
Velger ett alternativ fra et definert sett og returnerer sannsynligheten for hvert alternativ.
Score
1.43 / 2Hvor alvorlig er problemet?
Plasserer inndata på en beskrevet, ordnet skala; resultatet kan ligge mellom nivåer.
Noul
0.95Ber henvendelsen om refusjon?
Vurderer et ja/nei-utsagn og returnerer sannsynligheten for «ja».
Argumentet
Hvorfor TypeSafe bygde et modellgrensesnitt for programvare.
Generative modeller lager fleksible strenger for mennesker. TypeSafe mener programvare trenger en smalere intelligens: innebygd i kode, repeterbar, med synlig usikkerhet og tydelig kontrollflyt.
Strenger er fleksible, men åpne
Utdata kan være tekst, kode, JSON, en avvisning eller ugyldig format. Applikasjonen må ofte parse, validere og håndtere feil før handling.
Automatisering trenger grenser
Når modellen kjører i bakgrunnen, må programmet kjenne mulige utfall og handlingene hvert utfall kan utløse.
Usikkerhet må endre flyten
En sannsynlighetsfordeling gjør det mulig å automatisere tydelige tilfeller og sende uklare via en sikrere rute.
Små beslutninger må kunne settes sammen
En kompleks flyt kan deles i fokuserte semantiske vurderinger og kobles med deterministisk logikk i stedet for ett stort prompt.
Hvor det passer
Hvor System One AI passer i utviklerarbeidsflyter.
De beste kandidatene skjer ofte, krever forståelse av rotete inndata og leder til få handlinger som applikasjonen allerede kan utføre.
Supportdrift
Klassifiser saker, finn hensikt og hast, vurder stemning og send usikre tilfeller til kontroll.
Fakturering, teknisk, konto eller noe annet?
Agentstyring
Velg modell eller verktøy, avgjør behov for retrieval, sjekk fullstendighet eller vurder et foreslått verktøykall.
Skal Agenten fortsette, prøve igjen eller eskalere?
Rangering og relevans
Vurder en kandidat mot forespørsel, profil, regel eller kontekst og kombiner signalet med forretningsregler.
Hvor relevant er kandidaten for forespørselen?
Sikkerhet og verifisering
Vurder meldinger, utdata, spor eller kodeendringer etter tydelige kriterier; høy risiko holdes bak deterministiske porter.
Bryter dette den angitte regelen?
Sanntidsinteraksjon
Velg tillatte handlinger for spill, simuleringer, grensesnitt eller enheter uten å generere et langt svar.
Hvilken tillatt handling passer best til tilstanden?
Dataoperasjoner
Gjør mange poster om til kategorier, scorer, flagg og egenskaper for senere systemer.
Hvilken kategori og risikograd har posten?
Godt egnet
Alternativene er kjent, inndata er semantisk komplekse, beslutningen gjentas, latenstid betyr noe, og koden har en handling eller fallback for hvert resultat.
Lite egnet
Du trenger original tekst eller kode, dyp flertrinns resonnering, bred research, forklaring, multimodale inndata eller utfall som ikke kan defineres på forhånd.
System One og generative LLM-er
System One og generative LLM-er har ulike roller i en AI-stack.
Begge kan forstå språk, og en LLM kan også få strukturert utdata. Den dypere forskjellen er hva modellen er laget for å levere, og hvordan programvaren bruker det.
| Aspekt | Jev / System One | Vanlig generativ LLM |
|---|---|---|
| Hovedoppgave | Vurdere definerte utfall | Generere fortsettelse eller svar |
| Naturlig utdata | Typet valg, score eller ja-sannsynlighet | Tokenfølge: tekst, kode, JSON eller annet |
| Svarrom | Angitt før kallet | Grunnleggende åpent, selv med schema for sluttformat |
| Usikkerhet | Sannsynlighet for hvert svar; confidence for Choice og Score | Kan ha token-sannsynligheter eller selvrapportert sikkerhet, sjelden et oppgavekalibrert signal |
| Sampling | Ifølge TypeSafe vurderes spørsmål og utdata parallelt | Vanligvis sekvensielt, token for token |
| Styrker | Hyppige semantiske grener, scoring, routing og kontroll | Skriving, dialog, kode, syntese og åpen resonnering |
| Hovedfeil | Typemessig gyldig, semantisk feil beslutning | Feil, dårlig formatert, udokumentert eller avsporet innhold |
| Systemrolle | Avgrenset beslutningskomponent i synlig kode | Fleksibel generator eller reasoning-modell, ofte med større orkestrering |
For utviklere som vurderer System One utover Jev, vises samme fellesskapsmodul som på Projects-siden. Den skiller selvstendig trente modeller fra Jev-lignende grensesnitt på eksisterende vekter.
System One
Fellesskapets System One-økosystem
Disse modellene og grensesnitteksperimentene fra fellesskapet er inspirert av Jev eller utforsker lignende metoder for strukturerte beslutninger. De er ikke offisielle Jev-versjoner fra TypeSafe og inngår ikke i GitHub-rangeringen over.
Fellesskapsmodell
Qwen3.5-9B + diffusion drafterJeeves
En Jev-lignende 9B-beslutningsmodell med valgfri resonnering, publiserte vekter, treningskode og data samt et kompatibelt lokalt API.
Fellesskapsmodell
Qwen3.5-4BOpenJev-4B
En probabilistisk 4B-beslutningsmodell med åpent ordforråd, publiserte vekter og totrinns trening, lokal inferens og HTTP-tjeneste.
Fellesskapsmodell
Qwen3.5-9BBespoke Nimble
En Jev-inspirert LoRA-adapter med treningsoppskrift for valg og ja/nei-spørsmål. Kjører lokalt og tar bare imot tekst.
Fellesskapsmodell
Qwen3-0.6BNanoJev
En liten modell med beslutningshoder, publisert treningskode og spilldemoer for å teste valg av handlinger.
Fellesskapsmodell
Qwen3.5-2Bdecider
En finjustert modell som gir sannsynligheter for strukturerte spørsmål i én gjennomkjøring. Støtter foreløpig bare engelsk.
Fellesskapsmodell
ModernBERT 151M / Verdict 2.0Verdict
En liten encoderbasert beslutningsmodell med publiserte vekter og en WebGPU-demo i nettleseren.
Fellesskapsmodell
Qwen3.5-0.8BDohnuts
En multimodal beslutningsmodell på 0,8B med publiserte vekter, treningskode og evalueringer. Den behandler tekst og bilder i én kjøring; vektene er for ikke-kommersiell forskning.
Grensesnitteksperiment
DiffusionGemma 26B-A4BOpenJev
Bruker den eksisterende DiffusionGemma-modellen til å svare på strukturerte spørsmål via et Jev-lignende API. Publiserer ikke nye modellvekter.
Grensesnitteksperiment
Open-model logitsSimple Jev
Vurderer mulige svar med eksisterende åpne modeller via et Jev-lignende grensesnitt. Publiserer ikke nye modellvekter.
Grensesnitteksperiment
Spark-X2.5-4BRizzo Flow
En lokal Jev-kompatibel server som leser svarlogiter fra Spark-X2.5. Spørsmål deler samme prefill av tilstanden, og prosjektet har både lekeplass og ytelsestester.
Grensesnitteksperiment
Any causal LLMAnyJev
Et verktøy som gjør kausale språkmodeller om til typede beslutningsmodeller uten trening, med korrigering for rekkefølgebias, valgfri kalibrering og reproduserbare tester.
Grensesnitteksperiment
Qwen3.5 / DeBERTalocal-jev
En frakoblet Jev-kompatibel server for Qwen eller DeBERTa, testet med den offisielle SDK-en og med publiserte JevBench-resultater.
Fellesskapsmodell
Qwen3-0.6BAgentJev
En Qwen3-0.6B-beslutningsmodell for agentspor og andre strukturerte spørsmål, med publiserte vekter, typet HTTP-API og uten tokendekoding.
Grensesnitteksperiment
Causal LMs / SGLangLLM2Jev
Gjør lokale kausale språkmodeller til Jev-kompatible Choice-, Score- og Noul-tjenester med ren prefill-skåring og støtte for SGLang, Transformers og multimodale data.
Grensesnitteksperiment
Laya / ONNX RuntimeLaya
Kjører den åpne Laya System One-modellen i Node.js via ONNX Runtime, med Jev-kompatibelt forespørselsformat og publiserte modellvekter.
Fellesskapsmodell
Qwen3.5-0.8BOpenThai System One
En Qwen3.5-0.8B-beslutningsmodell for thai og engelsk, med publiserte vekter, treningskode og Jev-kompatibelt HTTP-API.
Fellesskapsmodell
Qwen3.5-0.8B / 2BValen
En multimodal beslutningsmodell inspirert av Jev som tar tekst, bilder og video, med publiserte vekter, treningskode og evalueringskommandoer.
Fellesskapsmodell
Qwen3.5-4BTev1
En åpen 4B-beslutningsmodell finjustert fra Qwen3.5 med vekter, reproduserbar treningsmetode og dokumentert dataopphav.
Grensesnitteksperiment
Open decision modelsOllaya
En lokal Rust-tjeneste som laster ned og kjører flere åpne beslutningsmodeller bak egne og TypeSafe-kompatible API-er.
Fellesskapsmodell
Qwen3.5-0.8B / 2B / 4BIntern-Decision
En multimodal Qwen3.5-modellserie på 0,8B, 2B og 4B med vekter, trenings- og inferenskode, kalibreringstester og et Jev-kompatibelt API.
Fellesskapsmodell
Qwen3.5-4BMica
En 4B-beslutningsmodell for engelsk og koreansk med åpne vekter og kvantiseringer, kalibrerte sannsynligheter og en lokal TypeSafe-kompatibel server.
Fellesskapsmodell
Qwen3.5-0.8B / 2BJev-Style
En lokal serie med 0,8B- og 2B-modeller med vekter, lang kontekst, kompatibelt API, agentferdigheter, MCP-verktøy og evalueringskommandoer.
Fellesskapsmodell
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
En uavhengig implementasjon med publiserte 2B-, 9B- og 27B-vekter, treningskode, kompatibel lokal server og reproduserbare evalueringer.
Fellesskapsmodell
Qwen3.5-VL 2B / 4B / 9Bimajev
En åpen multimodal modellfamilie på 2B, 4B og 9B for tekst og bilder, med kalibrerte sannsynligheter, mulighet til å avstå, åpne vekter og kompatibelt lokalt API.
Fellesskapsmodell
0.6B / 0.8B / 4B decision modelsOpenDecider
Små åpne modeller for Choice-, Score- og Noul-beslutninger med publiserte vekter og lokal inferens på CPU, NVIDIA-GPU og Apple Silicon.
Fellesskapsmodell
Qwen3.5-0.8B / 4Bjiwo
Åpne Qwen3.5-beslutningsmodeller på 0,8B og 4B med publiserte vekter, treningskode, lokal Jev-kompatibel API og reproduserbare Decision Index-resultater.
Fellesskapsmodell
Qwen3.5-0.8B / 4BSearchJev
Åpne Qwen3.5-modeller på 0,8B og 4B, trent for søkeagenters beslutninger, med publiserte data, vekter, treningslogger og kalibreringskode.
Grensesnitteksperiment
Cloudflare Clef 27B / 9Bcleffa
En integrert C- og Metal-motor for Cloudflare Clef og Clef-Flash på Apple Silicon som leverer tekst-, bilde- og videobeslutninger gjennom en Jev-kompatibel API.
Fellesskapsmodell
mmBERT 144.3MPhocinae Largha
En tospråklig encoder-basert beslutningsmodell med 144,3M parametere for lokale typede beslutninger, med vekter, kalibreringsverktøy, evalueringer og Jev-kompatibel server.
Fellesskapsmodell
Multilingual Laya checkpointsLaya Decision Engine
En flerspråklig, ikke-autoregressiv beslutningsmotor med åpne checkpoints, trenings- og finjusteringskode og kompatible lokale API-er.
Fellesskapsmodell
Qwen3.5-0.8B / 4BVegaML
En lokal multimodal motor med frosne Qwen3.5-modeller og en liten trenbar fysikkmodul, med offentlige 0,8B- og 4B-checkpoints.
Grensesnitteksperiment
Laya / ONNX Runtime Javalaya-java
En ren Java-runtime for Laya med Spring Boot- og Gradle-integrasjon og Jev- og OpenAI-kompatible endepunkter.
Fellesskapsmodell
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Et rammeverk for destillering og trening av Jev-lignende modeller på Qwen3.5 eller Qwen3.8, med kalibrering, evaluering og kompatibel serverkode.
Fellesskapsmodell
LLM-jp 4.1 8B / encoder 310Msaihai
En japansk familie av typede beslutningsmodeller med åpne 8B- og 310M-vekter, trenings- og evalueringskode, GGUF-servering og System One-kompatibelt API.
Grensesnitteksperiment
Any llama.cpp GGUFCallosum
Legger til et System One-API og reserverte klassifiseringsspor i en eksisterende llama.cpp-chatmodell, med valgfri kalibrering og avgrenset resonnering uten å laste en ny modell.
Fellesskapsmodell
Qwen3-VL-4BOpenVisualJev
En multimodal beslutningsmodell basert på Qwen3-VL-4B med dynamisk kandidatscoring, rekkefølgeuavhengige valg, kalibreringskode og teknisk rapport; checkpoints er ennå ikke tilgjengelige.
Fellesskapsmodell
BitNet b1.58 2BBitSOne-s1
En ternær 2B BitNet-basert beslutningsmodell med pekerhode, typede sannsynligheter, reproduserbar treningshistorikk og målt kalibrering; publisert checkpoint er foreløpig privat.
Grensesnitteksperiment
Open ONNX decision modelsdecision-toolkit
Kjører et kuratert utvalg åpne beslutningsmodeller lokalt på CPU gjennom ONNX og tilbyr ett typet bibliotek, CLI, REST og System One-kompatibelt API.
Fellesskapsmodell
Qwen3-VL-4BFovea
En åpen visuell beslutningsmodell på 4B med publiserte vekter samt trenings- og kalibreringskode, levert gjennom TypeSafe System One API.
Grensesnitteksperiment
Open decision model familiesFlide
En lokal kjøretid som akselererer åpne beslutningsmodeller med nøyaktig tilstandsforgrening og tilbyr flere tekst- og multimodale modellfamilier gjennom ett grensesnitt.
Fellesskapsmodell
Multilingual encoder 57M / ONNXSkejja
En flerspråklig encoderbeslutningsmodell med 57 millioner parametere for Choice, Noul og Score, med ONNX-inferens, nettleser- og Raspberry Pi-demoer og kompatibelt System One-API.
Fellesskapsmodell
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
En CPU-først multimodal 9B-beslutningsmodell i GGUF-format med Choice, Score, Noul, TypeSafe-kompatibelt API og et LoRA-finjusteringssett.
Uavhengige prosjekter fra miljøet, ikke offisielle Jev-versjoner.
Følg nye fellesskapsmodeller og grensesnitteksperimenter i Jev AI Radar.Utforsk Jev AI Radar
Primærkilder
Les påstandene i sammenheng.
Denne Jev AI Dev-guiden forklarer TypeSafes ramme med egne ord. Bruk de offisielle kildene for API-detaljer, produktpåstander, evaluering og oppdateringer.
Test formen, ikke bare ideen
Begynn med én beslutning applikasjonen allerede tar.
Definer svarene, samle representative eksempler, bestem håndtering av usikkerhet og sammenlign Jev med dagens regler eller modeller. Ikke automatiser beslutninger med stor konsekvens direkte.