Rozumienie stanu
Model interpretuje tekst naturalny lub ustrukturyzowany: zgłoszenie, ślad Agenta, rekord produktu albo stan gry.
Jev AI Dev · przewodnik dla programistów
Czym jest model AI System One? Przewodnik po Jev dla programistów.
System One to klasa modeli AI firmy TypeSafe, która zamienia nieustrukturyzowany stan aplikacji w typowane odpowiedzi i prawdopodobieństwa. Jev jest pierwszą implementacją: ograniczonym komponentem decyzyjnym dla kodu aplikacji.
- Wejście
- Tekst, JSON lub listy tekstu
- Wyjście
- Choice, Score lub Noul
- Przepływ sterowania
- Pozostaje w kodzie
To niezależny przewodnik dla programistów. Informacje o produkcie i wydajności pochodzą z materiałów TypeSafe. Przed wdrożeniem sprawdź Jev na własnych danych.
System One
state → decisionsstate
„Obciążono mnie dwukrotnie. Proszę rozwiązać to dziś.”
choicerozliczenia0.96
noulpilne0.88
scorefrustracja1.7 / 2
if (confidence < threshold) → reviewKlasa modelu
Model System One to prymityw decyzyjny dla kodu aplikacji.
Model System One rozumie znaczenie wejścia, ale nie prowadzi dalej rozmowy ani nie tworzy odpowiedzi. Najpierw deklarujesz pytanie i dozwolony kształt wyniku; model zwraca ograniczoną ocenę, którą program może sprawdzić.
Działanie w kontrakcie
Aplikacja definiuje przestrzeń odpowiedzi przed wywołaniem. Model wybiera opcję, ocenia na skali lub rozstrzyga twierdzenie tak/nie.
Jawna niepewność
Każda odpowiedź ma sygnał prawdopodobieństwa. Choice i Score podsumowują rozkład także jako confidence.
Łączenie z kodem
Progi, reguły, skutki uboczne, ponowienia, ścieżki awaryjne i kontrola człowieka pozostają w zwykłym kodzie.
Jev w przepływie pracy
Jak programiści integrują Jev z kodem aplikacji.
Jev zamienia jedno wywołanie modelu w zestaw sygnałów decyzyjnych. Użyteczną jednostką nie jest tura czatu, lecz mały, typowany kontrakt między modelem a aplikacją.
1. Zbuduj stan
Przekaż dane potrzebne do decyzji. Jev obsługuje obecnie wejścia tekstowe: napisy, obiekty JSON i listy tekstu.
Wiadomość klienta + dane konta2. Zdefiniuj pytania
Nazwij pytanie, wybierz primitive i opisz dozwolone opcje lub skalę. Kilka niezależnych pytań może znaleźć się w jednym żądaniu.
dział · pilność · frustracja3. Jev ocenia
Dla każdego pytania Jev zwraca typowaną odpowiedź i prawdopodobieństwo. Choice i Score zawierają też confidence.
rozliczenia · 0,93 · wysoka confidence4. Kod stosuje politykę
Połącz wynik z kontrolami deterministycznymi. Automatyzuj jasne przypadki niskiego ryzyka, a niepewne lub istotne kieruj do człowieka albo modelu rozumującego.
przekieruj · dopytaj · sprawdź · zatrzymajTrzy formy odpowiedzi
Choice
billingKtóry zespół powinien to obsłużyć?
Wybiera jedną opcję ze zdefiniowanego zbioru i zwraca prawdopodobieństwo każdej opcji.
Score
1.43 / 2Jak poważny jest problem?
Umieszcza wejście na opisanej skali porządkowej; wynik może wypaść między poziomami.
Noul
0.95Czy prośba dotyczy zwrotu?
Ocenia twierdzenie tak/nie i zwraca prawdopodobieństwo „tak”.
Uzasadnienie
Dlaczego TypeSafe zbudował interfejs modelu dla oprogramowania.
Modele generatywne tworzą elastyczne ciągi dla ludzi. Według TypeSafe oprogramowanie potrzebuje węższej inteligencji: osadzanej w kodzie, powtarzalnej, pokazującej niepewność i pozostawiającej widoczny przepływ sterowania.
Ciągi są elastyczne, ale otwarte
Wynikiem może być tekst, kod, JSON, odmowa albo zły format. Przed działaniem aplikacja często musi parsować, walidować i obsłużyć błąd.
Automatyzacja potrzebuje granic
Gdy model działa w tle, program musi wcześniej znać możliwe wyniki i działania, które każdy z nich może uruchomić.
Niepewność powinna zmieniać przebieg
Rozkład prawdopodobieństwa pozwala automatyzować jasne przypadki i wysyłać niejednoznaczne bezpieczniejszą ścieżką.
Małe decyzje powinny się składać
Złożony proces można rozbić na skupione oceny semantyczne i połączyć logiką deterministyczną zamiast ukrywać wszystko w jednym dużym prompcie.
Gdzie pasuje
Gdzie System One AI pasuje do przepływów deweloperskich.
Najlepsze zadania zdarzają się często, wymagają zrozumienia nieuporządkowanego wejścia i prowadzą do kilku działań, które aplikacja już potrafi wykonać.
Obsługa klienta
Klasyfikuj zgłoszenia, wykrywaj intencję i pilność, oceniaj nastawienie i kieruj niepewne przypadki do kontroli.
Rozliczenia, technika, konto czy coś innego?
Sterowanie Agentem
Wybieraj model lub narzędzie, oceniaj potrzebę wyszukiwania, kompletność wyniku lub planowane wywołanie narzędzia.
Czy Agent ma kontynuować, ponowić czy eskalować?
Ranking i trafność
Oceniaj zgodność kandydata z zapytaniem, profilem, polityką lub kontekstem i łącz sygnał z regułami biznesowymi.
Jak trafny jest ten kandydat dla żądania?
Bezpieczeństwo i weryfikacja
Oceniaj wiadomości, wyniki, ślady i zmiany kodu według jawnych kryteriów; wysokie ryzyko zatrzymuj deterministycznymi bramkami.
Czy to narusza podaną regułę?
Interakcja w czasie rzeczywistym
Wybieraj dozwolone działania dla gier, symulacji, interfejsów lub urządzeń bez generowania długiej odpowiedzi.
Które dozwolone działanie najlepiej pasuje do stanu?
Operacje na danych
Zamieniaj duże zbiory rekordów w kategorie, wyniki, flagi i cechy dla dalszych systemów.
Jaka kategoria i poziom ryzyka dotyczą tego rekordu?
Dobre dopasowanie
Opcje są znane, wejście jest semantycznie złożone, decyzja się powtarza, liczy się opóźnienie, a kod ma działanie lub ścieżkę awaryjną dla każdego wyniku.
Słabe dopasowanie
Potrzebny jest oryginalny tekst lub kod, głębokie wieloetapowe rozumowanie, szerokie badanie, wyjaśnienie, wejście multimodalne albo wyników nie da się zdefiniować wcześniej.
System One i generatywne LLM
System One i generatywne LLM pełnią różne role w stosie AI.
Oba rozumieją język, a LLM może otrzymać schemat wyjścia. Głębsza różnica dotyczy tego, co model ma natywnie zwracać i jak używa go otaczające oprogramowanie.
| Aspekt | Jev / System One | Typowy generatywny LLM |
|---|---|---|
| Główne zadanie | Ocena zdefiniowanych wyników | Generowanie kontynuacji lub odpowiedzi |
| Natywne wyjście | Typowany wybór, wynik lub prawdopodobieństwo tak | Sekwencja tokenów: tekst, kod, JSON lub inne |
| Przestrzeń odpowiedzi | Zadeklarowana przed wywołaniem | Z natury otwarta, nawet gdy schema ogranicza format końcowy |
| Niepewność | Prawdopodobieństwo każdej odpowiedzi; confidence dla Choice i Score | Może zwracać prawdopodobieństwa tokenów lub deklarowaną pewność, zwykle nie jest to skalibrowany sygnał zadania |
| Próbkowanie | Według TypeSafe pytania i wyniki oceniane równolegle | Zwykle sekwencyjnie, token po tokenie |
| Mocne strony | Częste rozgałęzienia semantyczne, scoring, routing i kontrole | Pisanie, dialog, programowanie, synteza i otwarte rozumowanie |
| Główna porażka | Poprawnie typowana, lecz błędna semantycznie decyzja | Błędna, źle sformatowana, niepoparta lub nietrafna treść |
| Rola systemowa | Ograniczony komponent decyzji w widocznym kodzie | Elastyczny generator lub model rozumujący, często z większą orkiestracją |
Dla programistów oceniających System One poza Jev poniżej znajduje się ten sam moduł społeczności co na stronie Projects. Oddziela niezależnie trenowane modele od interfejsów podobnych do Jev opartych na istniejących wagach.
System One
Społecznościowy ekosystem System One
Te modele i eksperymenty z interfejsem powstały z inspiracji Jev lub badają podobne sposoby podejmowania ustrukturyzowanych decyzji. Nie są oficjalnymi wersjami Jev od TypeSafe i nie należą do rankingu projektów GitHub powyżej.
Model społeczności
Qwen3.5-9B + diffusion drafterJeeves
Model decyzyjny 9B w stylu Jev z opcjonalnym etapem rozumowania, opublikowanymi wagami, kodem i danymi treningowymi oraz zgodnym lokalnym API.
Model społeczności
Qwen3.5-4BOpenJev-4B
Probabilistyczny model decyzyjny 4B z otwartym słownikiem, opublikowanymi wagami i dwuetapowym treningiem, lokalnym wnioskowaniem oraz usługą HTTP.
Model społeczności
Qwen3.5-9BBespoke Nimble
Adapter LoRA inspirowany Jev wraz z przepisem na trening odpowiedzi wyboru i tak/nie. Działa lokalnie; na razie przyjmuje tylko tekst.
Model społeczności
Qwen3-0.6BNanoJev
Mały model z głowicami decyzyjnymi, opublikowanym kodem treningowym i demonstracjami wyboru ruchów w grach.
Model społeczności
Qwen3.5-2Bdecider
Dostrojony model zwracający rozkłady prawdopodobieństwa dla pytań o określonym formacie w jednym przebiegu. Obecnie obsługuje tylko angielski.
Model społeczności
ModernBERT 151M / Verdict 2.0Verdict
Mały model decyzyjny oparty na enkoderze, z udostępnionymi wagami i przeglądarkowym demo WebGPU.
Model społeczności
Qwen3.5-0.8BDohnuts
Multimodalny model decyzyjny 0,8B z opublikowanymi wagami, kodem treningowym i wynikami testów. Obsługuje tekst i obrazy w jednym przebiegu; wagi są przeznaczone do badań niekomercyjnych.
Eksperyment z interfejsem
DiffusionGemma 26B-A4BOpenJev
Korzysta z istniejącego modelu DiffusionGemma, by odpowiadać na pytania o określonym formacie przez API podobne do Jev. Nie publikuje nowych wag modelu.
Eksperyment z interfejsem
Open-model logitsSimple Jev
Ocenia dozwolone odpowiedzi istniejącymi otwartymi modelami przez interfejs podobny do Jev. Nie udostępnia wag nowego modelu.
Eksperyment z interfejsem
Spark-X2.5-4BRizzo Flow
Lokalny serwer zgodny z Jev, który odczytuje logity odpowiedzi modeli Spark-X2.5. Pytania współdzielą jeden prefill stanu; projekt zawiera też playground i benchmarki.
Eksperyment z interfejsem
Any causal LLMAnyJev
Zestaw narzędzi, który bez treningu zmienia przyczynowe modele językowe w typowane modele decyzyjne, z korektą wpływu kolejności opcji, opcjonalną kalibracją i odtwarzalnymi testami.
Eksperyment z interfejsem
Qwen3.5 / DeBERTalocal-jev
Działający offline serwer zgodny z Jev dla modeli Qwen lub DeBERTa, sprawdzony z oficjalnym SDK i z opublikowanymi wynikami JevBench.
Model społeczności
Qwen3-0.6BAgentJev
Model decyzyjny Qwen3-0.6B do śladów agentów i innych pytań strukturalnych, z opublikowanymi wagami, typowanym API HTTP i bez dekodowania tokenów.
Eksperyment z interfejsem
Causal LMs / SGLangLLM2Jev
Udostępnia lokalne przyczynowe modele językowe jako zgodne z Jev usługi Choice, Score i Noul dzięki ocenie samego prefillu; obsługuje SGLang, Transformers i dane multimodalne.
Eksperyment z interfejsem
Laya / ONNX RuntimeLaya
Uruchamia otwarty model Laya System One w Node.js przez ONNX Runtime, używając formatu żądań zgodnego z Jev i opublikowanych wag.
Model społeczności
Qwen3.5-0.8BOpenThai System One
Model decyzyjny Qwen3.5-0.8B dla języka tajskiego i angielskiego, z opublikowanymi wagami, kodem treningowym i API HTTP zgodnym z Jev.
Model społeczności
Qwen3.5-0.8B / 2BValen
Multimodalny model decyzyjny inspirowany Jev, obsługujący tekst, obrazy i wideo, z opublikowanymi wagami, kodem treningowym i poleceniami oceny.
Model społeczności
Qwen3.5-4BTev1
Otwarty model decyzyjny 4B dostrojony z Qwen3.5, z wagami, odtwarzalną metodą treningu i opisanym pochodzeniem danych.
Eksperyment z interfejsem
Open decision modelsOllaya
Lokalna usługa w Rust, która pobiera i uruchamia kilka otwartych modeli decyzyjnych przez własne API i API zgodne z TypeSafe.
Model społeczności
Qwen3.5-0.8B / 2B / 4BIntern-Decision
Multimodalna rodzina modeli Qwen3.5 0,8B, 2B i 4B z wagami, kodem treningu i inferencji, testami kalibracji oraz API zgodnym z Jev.
Model społeczności
Qwen3.5-4BMica
Model decyzyjny 4B dla języka angielskiego i koreańskiego, z wagami, kwantyzacjami, skalibrowanymi prawdopodobieństwami i lokalnym serwerem zgodnym z TypeSafe.
Model społeczności
Qwen3.5-0.8B / 2BJev-Style
Lokalna rodzina modeli 0,8B i 2B z wagami, długim kontekstem, zgodnym API, umiejętnościami agentów, narzędziami MCP i poleceniami oceny.
Model społeczności
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
Niezależna implementacja z opublikowanymi wagami 2B, 9B i 27B, kodem treningu, zgodnym serwerem lokalnym i powtarzalnymi testami.
Model społeczności
Qwen3.5-VL 2B / 4B / 9Bimajev
Otwarta rodzina multimodalnych modeli 2B, 4B i 9B do tekstu i obrazów, z kalibrowanymi prawdopodobieństwami, możliwością wstrzymania odpowiedzi, wagami i zgodnym lokalnym API.
Model społeczności
0.6B / 0.8B / 4B decision modelsOpenDecider
Małe otwarte modele decyzji Choice, Score i Noul z opublikowanymi wagami oraz lokalnym wnioskowaniem na CPU, GPU NVIDIA i Apple Silicon.
Model społeczności
Qwen3.5-0.8B / 4Bjiwo
Otwarte modele decyzyjne Qwen3.5 0,8B i 4B z opublikowanymi wagami, kodem treningowym, lokalnym API zgodnym z Jev i powtarzalnymi wynikami Decision Index.
Model społeczności
Qwen3.5-0.8B / 4BSearchJev
Otwarte modele Qwen3.5 0,8B i 4B trenowane do decyzji agentów wyszukiwania, z opublikowanymi danymi, wagami, dziennikami treningu i kodem kalibracji.
Eksperyment z interfejsem
Cloudflare Clef 27B / 9Bcleffa
Natywny silnik C i Metal dla Cloudflare Clef i Clef-Flash na Apple Silicon, udostępniający decyzje dla tekstu, obrazów i wideo przez API zgodne z Jev.
Model społeczności
mmBERT 144.3MPhocinae Largha
Dwujęzyczny model decyzyjny oparty na enkoderze o 144,3M parametrów do lokalnych decyzji typowanych, z wagami, kalibracją, testami i serwerem zgodnym z Jev.
Model społeczności
Multilingual Laya checkpointsLaya Decision Engine
Wielojęzyczny, nieautoregresyjny silnik decyzyjny z publicznymi checkpointami, kodem treningu i dostrajania oraz zgodnymi lokalnymi API.
Model społeczności
Qwen3.5-0.8B / 4BVegaML
Lokalny silnik multimodalny z zamrożonym Qwen3.5 i małym uczonym modułem fizycznym, z publicznymi checkpointami 0,8B i 4B.
Eksperyment z interfejsem
Laya / ONNX Runtime Javalaya-java
Czysta implementacja Java dla Laya z integracją Spring Boot i Gradle oraz endpointami zgodnymi z Jev i OpenAI.
Model społeczności
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Framework do destylacji i treningu modeli decyzyjnych w stylu Jev na Qwen3.5 lub Qwen3.8, z kalibracją, oceną i zgodnym serwerem.
Model społeczności
LLM-jp 4.1 8B / encoder 310Msaihai
Japońska rodzina typowanych modeli decyzyjnych z otwartymi wagami 8B i 310M, kodem treningu i oceny, obsługą GGUF oraz API zgodnym z System One.
Eksperyment z interfejsem
Any llama.cpp GGUFCallosum
Dodaje API System One i zarezerwowane tory klasyfikacji do istniejącego modelu czatu llama.cpp, z opcjonalną kalibracją i ograniczonym rozumowaniem bez ładowania drugiego modelu.
Model społeczności
Qwen3-VL-4BOpenVisualJev
Multimodalny model decyzyjny na Qwen3-VL-4B z dynamiczną oceną opcji, wyborem niezależnym od kolejności, kodem kalibracji i raportem technicznym; checkpointy nie są jeszcze dostępne.
Model społeczności
BitNet b1.58 2BBitSOne-s1
Ternarny model decyzyjny BitNet 2B z głowicą wskaźnikową, typowanymi prawdopodobieństwami, odtwarzalnym zapisem treningu i zmierzoną kalibracją; opublikowany checkpoint jest obecnie prywatny.
Eksperyment z interfejsem
Open ONNX decision modelsdecision-toolkit
Uruchamia wybrane otwarte modele decyzyjne lokalnie na CPU przez ONNX i udostępnia wspólną typowaną bibliotekę, CLI, REST oraz API zgodne z System One.
Model społeczności
Qwen3-VL-4BFovea
Otwarty wizyjny model decyzyjny 4B z opublikowanymi wagami oraz kodem treningu i kalibracji, udostępniany przez API TypeSafe System One.
Eksperyment z interfejsem
Open decision model familiesFlide
Lokalne środowisko, które przyspiesza otwarte modele decyzyjne przez dokładne rozgałęzianie stanu i obsługuje wiele rodzin tekstowych i multimodalnych przez jeden interfejs.
Model społeczności
Multilingual encoder 57M / ONNXSkejja
Wielojęzyczny model decyzyjny typu encoder o 57 mln parametrów dla Choice, Noul i Score, z inferencją ONNX, wersją przeglądarkową i Raspberry Pi oraz zgodnym API System One.
Model społeczności
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
Multimodalny model decyzyjny 9B zoptymalizowany pod CPU i wydany jako GGUF, z Choice, Score, Noul, API zgodnym z TypeSafe oraz zestawem do dostrajania LoRA.
To niezależne projekty społeczności, a nie oficjalne wersje Jev.
Śledź nowe modele społeczności i eksperymenty z interfejsami w Jev AI Radar.Poznaj Jev AI Radar
Źródła pierwotne
Czytaj twierdzenia w kontekście.
Ten przewodnik Jev AI Dev objaśnia ramy TypeSafe własnymi słowami. Szczegóły API, twierdzenia produktowe, metody oceny i aktualizacje sprawdzaj w źródłach oficjalnych.
Sprawdź formę, nie tylko ideę
Zacznij od jednej decyzji, którą aplikacja już podejmuje.
Zdefiniuj odpowiedzi, zbierz reprezentatywne przykłady, ustal obsługę niepewności i porównaj Jev z obecnymi regułami lub modelem. Nie automatyzuj bezpośrednio decyzji o dużym wpływie.