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
Qwen3.5-9BBespoke Nimble
En Jev-inspirert LoRA-adapter med treningsoppskrift for valg og ja/nei-spørsmål. Kjører lokalt og tar bare imot tekst.
GitHubFellesskapsmodell
Qwen3-0.6BNanoJev
En liten modell med beslutningshoder, publisert treningskode og spilldemoer for å teste valg av handlinger.
GitHubFellesskapsmodell
Qwen3.5-2Bdecider
En finjustert modell som gir sannsynligheter for strukturerte spørsmål i én gjennomkjøring. Støtter foreløpig bare engelsk.
GitHubFellesskapsmodell
ModernBERT 151MVerdict
En liten encoderbasert beslutningsmodell med publiserte vekter og en WebGPU-demo i nettleseren.
GitHubFellesskapsmodell
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.
GitHubGrensesnitteksperiment
DiffusionGemma 26B-A4BOpenJev
Bruker den eksisterende DiffusionGemma-modellen til å svare på strukturerte spørsmål via et Jev-lignende API. Publiserer ikke nye modellvekter.
GitHubGrensesnitteksperiment
Open-model logitsSimple Jev
Vurderer mulige svar med eksisterende åpne modeller via et Jev-lignende grensesnitt. Publiserer ikke nye modellvekter.
GitHubGrensesnitteksperiment
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.
GitHubGrensesnitteksperiment
Any causal LLMAnyJev
Et verktøy som gjør kausale språkmodeller om til typede beslutningsmodeller uten trening, med korrigering for rekkefølgebias, valgfri kalibrering og reproduserbare tester.
GitHubGrensesnitteksperiment
Qwen3.5 / DeBERTalocal-jev
En frakoblet Jev-kompatibel server for Qwen eller DeBERTa, testet med den offisielle SDK-en og med publiserte JevBench-resultater.
GitHubUavhengige prosjekter fra miljøet, ikke offisielle Jev-versjoner.
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.