Compreender o estado
Interpreta texto natural ou estruturado: um ticket, um rasto de Agent, um registo de produto ou o estado de um jogo.
Jev AI Dev · guia para programadores
O que é o modelo de IA System One? Um guia do Jev para programadores.
System One é a classe de modelos de IA da TypeSafe que transforma estado não estruturado de uma aplicação em respostas tipadas e probabilidades. O Jev é a primeira implementação: um componente de decisão limitado para código aplicacional.
- Entrada
- Texto, JSON ou listas de texto
- Saída
- Choice, Score ou Noul
- Fluxo de controlo
- Gerido pelo seu código
Este é um guia independente para programadores. Os detalhes do produto e as afirmações de desempenho são atribuídos à TypeSafe. Teste o Jev com os seus dados antes de o usar em produção.
System One
state → decisionsstate
«Fui cobrado duas vezes e preciso de resolver isto hoje.»
choicefaturação0.96
noulurgente0.88
scorefrustração1.7 / 2
if (confidence < threshold) → reviewA classe de modelo
Um modelo System One é uma primitiva de decisão para código aplicacional.
Um modelo System One interpreta o significado de uma entrada, mas não continua uma conversa nem redige uma resposta. Primeiro declara a pergunta e a forma de resposta permitida; o modelo devolve um juízo limitado que o programa pode inspecionar.
Respeitar o contrato
A aplicação define o espaço de respostas antes da chamada. O modelo escolhe uma opção, pontua numa escala ou avalia uma proposição sim/não.
Expor a incerteza
Cada resposta apresenta uma probabilidade. Choice e Score também resumem a distribuição através de confidence.
Compor com código
Limiares, políticas, efeitos, repetições, alternativas e revisão humana continuam a pertencer ao código normal.
Jev no fluxo de trabalho
Como os programadores integram o Jev no código da aplicação.
O Jev transforma uma chamada ao modelo em vários sinais de decisão. Para um programador, a unidade útil não é uma mensagem de chat, mas um pequeno contrato tipado entre modelo e aplicação.
1. Construir o estado
Envie a informação necessária para a decisão. O Jev aceita atualmente entradas de texto, incluindo strings, objetos JSON e listas de texto.
Mensagem do cliente + dados da conta2. Definir as perguntas
Dê nome a cada pergunta, escolha a primitive e descreva as opções ou escala permitidas. Várias perguntas independentes podem seguir no mesmo pedido.
equipa · urgência · frustração3. O Jev avalia
O Jev devolve uma resposta tipada e um sinal de probabilidade por pergunta. Choice e Score incluem ainda confidence separada.
faturação · 0,93 · confidence alta4. O código aplica a política
Combine a saída com verificações determinísticas. Execute casos claros e de baixo risco; encaminhe os ambíguos ou relevantes para uma pessoa ou modelo de raciocínio.
encaminhar · perguntar · rever · pararTrês formas de resposta
Choice
billingQue equipa deve tratar este caso?
Seleciona uma opção de um conjunto predefinido e devolve a probabilidade de cada opção.
Score
1.43 / 2Qual é a gravidade do problema?
Posiciona a entrada numa escala ordenada e descrita; o resultado pode ficar entre níveis.
Noul
0.95Este pedido solicita um reembolso?
Avalia uma proposição sim/não e devolve a probabilidade de “sim”.
O argumento
Porque criou a TypeSafe uma interface de modelo para software.
Os modelos generativos produzem strings flexíveis para pessoas. A TypeSafe defende que o software precisa de uma inteligência mais limitada: integrável no código, repetível, capaz de expor incerteza e manter visível o fluxo de controlo.
As strings são flexíveis mas abertas
A saída pode ser texto, código, JSON, uma recusa ou um formato inválido. A aplicação tem muitas vezes de analisar, validar e recuperar antes de agir.
A automatização precisa de limites
Quando o modelo corre em segundo plano, o programa deve conhecer antecipadamente os resultados possíveis e as ações autorizadas por cada um.
A incerteza deve alterar o fluxo
Uma distribuição de probabilidade permite automatizar casos claros e enviar casos ambíguos para um caminho mais seguro.
Pequenas decisões devem compor-se
Um fluxo complexo pode ser dividido em juízos semânticos focados e unido por lógica determinística, em vez de escondido num grande prompt.
Onde se aplica
Onde o System One AI se encaixa nos fluxos de desenvolvimento.
Os melhores candidatos ocorrem com frequência, exigem compreensão de entradas desorganizadas e levam a poucas ações que a aplicação já sabe executar.
Operações de suporte
Classificar tickets, identificar intenção e urgência, estimar sentimento e encaminhar casos incertos para revisão.
Faturação, suporte técnico, conta ou outra coisa?
Controlo de Agents
Escolher modelo ou ferramenta, decidir se é necessária pesquisa, verificar se o resultado está completo ou analisar uma chamada proposta.
O Agent deve continuar, repetir ou escalar?
Ranking e relevância
Pontuar a correspondência de um candidato com uma consulta, perfil, política ou contexto e combinar o sinal com regras de negócio.
Qual é a relevância deste candidato para o pedido?
Segurança e verificação
Avaliar mensagens, saídas, rastos ou alterações de código segundo critérios explícitos; resultados de alto risco ficam atrás de controlos determinísticos.
Isto viola a regra indicada?
Interação em tempo real
Escolher ações permitidas para jogos, simulações, interfaces ou dispositivos sem gerar uma resposta longa.
Que ação permitida se adequa melhor a este estado?
Operações de dados
Transformar muitos registos em categorias, pontuações, indicadores e características para sistemas seguintes.
Qual é a categoria e o nível de risco deste registo?
Boa opção
As opções são conhecidas, a entrada é semanticamente complexa, a decisão repete-se, a latência importa e o código prevê uma ação ou alternativa para cada resultado.
Má opção
É necessário texto ou código original, raciocínio profundo em várias etapas, pesquisa ampla, explicação, entrada multimodal ou resultados impossíveis de definir antecipadamente.
System One e LLM generativos
System One e LLM generativos cumprem papéis diferentes numa stack de IA.
Ambos compreendem linguagem e um LLM também pode produzir saída estruturada. A diferença central está no que o modelo foi desenhado para produzir e em como o software envolvente o utiliza.
| Aspeto | Jev / System One | LLM generativo comum |
|---|---|---|
| Tarefa principal | Avaliar resultados predefinidos | Gerar continuação ou resposta |
| Saída nativa | Escolha tipada, score ou probabilidade de sim | Sequência de tokens: texto, código, JSON ou outro |
| Espaço de respostas | Declarado antes da chamada | Aberto por natureza, mesmo com schema para o formato final |
| Incerteza | Probabilidade por resposta; confidence em Choice e Score | Pode fornecer probabilidades de tokens ou confiança declarada, raramente um sinal calibrado para a tarefa |
| Amostragem | Segundo a TypeSafe, perguntas e saídas são avaliadas em paralelo | Normalmente sequencial, token a token |
| Pontos fortes | Ramificação semântica frequente, scoring, routing e verificações | Escrita, diálogo, programação, síntese e raciocínio aberto |
| Falha principal | Decisão com tipo válido mas semanticamente errada | Conteúdo errado, malformado, sem suporte ou fora da tarefa |
| Papel no sistema | Componente de decisão limitado dentro de código visível | Gerador ou modelo de raciocínio flexível, muitas vezes com maior orquestração |
Para programadores que avaliam System One para além do Jev, surge abaixo o mesmo módulo comunitário da página Projects. Separa modelos treinados de forma independente de interfaces semelhantes ao Jev assentes em pesos existentes.
System One
Ecossistema System One da comunidade
Estes modelos e experiências de interface da comunidade inspiram-se no Jev ou exploram abordagens semelhantes de decisão estruturada. Não são versões oficiais do Jev publicadas pela TypeSafe nem fazem parte do ranking de projetos do GitHub.
Modelo da comunidade
Qwen3.5-9B + diffusion drafterJeeves
Modelo de decisão de 9B ao estilo do Jev, com etapa opcional de raciocínio, pesos, código e dados de treino publicados e API local compatível.
Modelo da comunidade
Qwen3.5-4BOpenJev-4B
Modelo probabilístico de decisão de 4B com vocabulário aberto, pesos e treino em duas etapas publicados, inferência local e serviço HTTP.
Modelo da comunidade
Qwen3.5-9BBespoke Nimble
Um adaptador LoRA inspirado no Jev, com método de treino para escolhas e perguntas de sim ou não. Funciona localmente e só aceita texto.
Modelo da comunidade
Qwen3-0.6BNanoJev
Um modelo pequeno com cabeças de decisão, código de treino publicado e demos de jogos para testar a escolha de ações.
Modelo da comunidade
Qwen3.5-2Bdecider
Um modelo ajustado que devolve probabilidades para perguntas estruturadas numa só passagem. A versão atual só suporta inglês.
Modelo da comunidade
ModernBERT 151M / Verdict 2.0Verdict
Um pequeno modelo de decisão baseado num codificador, com pesos publicados e uma demo WebGPU no navegador.
Modelo da comunidade
Qwen3.5-0.8BDohnuts
Um modelo de decisão multimodal de 0,8B com pesos, código de treino e avaliações publicados. Processa texto e imagens numa só passagem; os pesos destinam-se a investigação não comercial.
Interface experimental
DiffusionGemma 26B-A4BOpenJev
Usa o modelo DiffusionGemma existente para responder a perguntas estruturadas através de uma API semelhante à do Jev. Não publica novos pesos do modelo.
Interface experimental
Open-model logitsSimple Jev
Usa modelos abertos existentes para pontuar respostas através de uma interface semelhante à do Jev. Não publica novos pesos.
Interface experimental
Spark-X2.5-4BRizzo Flow
Um servidor local compatível com o Jev que lê os logits de resposta do Spark-X2.5. As perguntas partilham o mesmo prefill do estado e o projeto inclui playground e benchmarks.
Interface experimental
Any causal LLMAnyJev
Um conjunto de ferramentas sem treino que transforma modelos de linguagem causais em modelos de decisão tipada, com correção do viés de ordem, calibração opcional e benchmarks reproduzíveis.
Interface experimental
Qwen3.5 / DeBERTalocal-jev
Um servidor offline compatível com o Jev para Qwen ou DeBERTa, testado com o SDK oficial e acompanhado de resultados publicados no JevBench.
Modelo da comunidade
Qwen3-0.6BAgentJev
Um modelo de decisão Qwen3-0.6B para rastos de agentes e outras perguntas estruturadas, com pesos publicados, API HTTP tipada e sem descodificação de tokens.
Interface experimental
Causal LMs / SGLangLLM2Jev
Adapta modelos de linguagem causais locais a serviços Choice, Score e Noul compatíveis com Jev através de pontuação apenas do prefill, com SGLang, Transformers e suporte multimodal.
Interface experimental
Laya / ONNX RuntimeLaya
Executa o modelo aberto Laya System One em Node.js através do ONNX Runtime, com um formato de pedido compatível com Jev e pesos publicados.
Modelo da comunidade
Qwen3.5-0.8BOpenThai System One
Um modelo de decisão Qwen3.5-0.8B para tailandês e inglês, com pesos, código de treino e API HTTP compatível com Jev publicados.
Modelo da comunidade
Qwen3.5-0.8B / 2BValen
Um modelo de decisão multimodal inspirado no Jev que recebe texto, imagens e vídeo, com pesos, código de treino e comandos de avaliação publicados.
Modelo da comunidade
Qwen3.5-4BTev1
Um modelo de decisão aberto de 4B ajustado a partir do Qwen3.5, com pesos, método de treino reproduzível e proveniência dos dados documentada.
Interface experimental
Open decision modelsOllaya
Um serviço Rust local que descarrega e executa vários modelos de decisão abertos através de APIs nativas e compatíveis com a TypeSafe.
Modelo da comunidade
Qwen3.5-0.8B / 2B / 4BIntern-Decision
Uma família multimodal Qwen3.5 de 0,8B, 2B e 4B, com pesos, código de treino e inferência, testes de calibração e API compatível com Jev.
Modelo da comunidade
Qwen3.5-4BMica
Um modelo de decisão 4B para inglês e coreano, com pesos e quantizações publicados, probabilidades calibradas e servidor local compatível com TypeSafe.
Modelo da comunidade
Qwen3.5-0.8B / 2BJev-Style
Uma família local de modelos de 0,8B e 2B com pesos publicados, contexto longo, API compatível, skills para agentes, ferramentas MCP e comandos de avaliação.
Modelo da comunidade
Qwen3.5-2B / 9B · Qwen3.8-27BOpen-Jev
Uma implementação independente com pesos 2B, 9B e 27B, código de treino, servidor local compatível e avaliações reproduzíveis publicados.
Modelo da comunidade
Qwen3.5-VL 2B / 4B / 9Bimajev
Família aberta de modelos multimodais 2B, 4B e 9B para texto e imagens, com probabilidades calibradas, abstenção, pesos publicados e API local compatível.
Modelo da comunidade
0.6B / 0.8B / 4B decision modelsOpenDecider
Pequenos modelos abertos para decisões Choice, Score e Noul, com pesos publicados e inferência local em CPU, GPU NVIDIA e Apple Silicon.
Modelo da comunidade
Qwen3.5-0.8B / 4Bjiwo
Modelos de decisão Qwen3.5 abertos de 0,8B e 4B, com pesos, código de treino, API local compatível com Jev e resultados reproduzíveis do Decision Index.
Modelo da comunidade
Qwen3.5-0.8B / 4BSearchJev
Modelos Qwen3.5 abertos de 0,8B e 4B treinados para decisões de agentes de pesquisa, com dados, pesos, registos de treino e código de calibração publicados.
Interface experimental
Cloudflare Clef 27B / 9Bcleffa
Um motor nativo em C e Metal para Cloudflare Clef e Clef-Flash no Apple Silicon, oferecendo decisões sobre texto, imagem e vídeo por uma API compatível com Jev.
Modelo da comunidade
mmBERT 144.3MPhocinae Largha
Um modelo de decisão codificador bilingue de 144,3M parâmetros para decisões tipadas locais, com pesos, ferramentas de calibração, avaliações e servidor compatível com Jev.
Modelo da comunidade
Multilingual Laya checkpointsLaya Decision Engine
Motor de decisões multilíngue e não autorregressivo com checkpoints públicos, código de treino e ajuste, decisões tipadas e APIs locais compatíveis.
Modelo da comunidade
Qwen3.5-0.8B / 4BVegaML
Motor multimodal local que combina bases Qwen3.5 congeladas com um pequeno módulo físico treinável, com checkpoints públicos de 0,8B e 4B.
Interface experimental
Laya / ONNX Runtime Javalaya-java
Runtime Java puro para Laya, com integração Spring Boot e Gradle e endpoints compatíveis com Jev e OpenAI.
Modelo da comunidade
Qwen3.5-4B / Qwen3.8-27Btrain-jev
Framework para destilar e treinar modelos de decisão no estilo Jev sobre Qwen3.5 ou Qwen3.8, com calibração, avaliação e servidor compatível.
Modelo da comunidade
LLM-jp 4.1 8B / encoder 310Msaihai
Família japonesa de modelos de decisão tipados com pesos abertos de 8B e 310M, código de treino e avaliação, serviço GGUF e API compatível com System One.
Interface experimental
Any llama.cpp GGUFCallosum
Adiciona uma API System One e faixas reservadas de classificação a um modelo de chat llama.cpp, com calibração e raciocínio limitado opcionais, sem carregar outro modelo.
Modelo da comunidade
Qwen3-VL-4BOpenVisualJev
Modelo de decisão multimodal baseado no Qwen3-VL-4B, com pontuação dinâmica, escolhas invariantes à ordem, código de calibração e relatório técnico; os checkpoints ainda não estão disponíveis para download.
Modelo da comunidade
BitNet b1.58 2BBitSOne-s1
Modelo de decisão ternário baseado em BitNet 2B com cabeça ponteiro, probabilidades tipadas, registros reproduzíveis e calibração medida; o checkpoint publicado está privado no momento.
Interface experimental
Open ONNX decision modelsdecision-toolkit
Executa localmente na CPU uma seleção de modelos de decisão abertos via ONNX e oferece biblioteca tipada, CLI, REST e API compatível com System One.
Modelo da comunidade
Qwen3-VL-4BFovea
Um modelo visual de decisão aberto de 4B, com pesos e código de treino e calibração publicados, servido pela API System One da TypeSafe.
Interface experimental
Open decision model familiesFlide
Um runtime local que acelera modelos de decisão abertos com bifurcação exata de estado e disponibiliza várias famílias de texto e multimodais numa única interface.
Modelo da comunidade
Multilingual encoder 57M / ONNXSkejja
Um modelo de decisão codificador multilíngue de 57 M para Choice, Noul e Score, com inferência ONNX, demonstrações no navegador e Raspberry Pi e API System One compatível.
Modelo da comunidade
Qwen3.5-9B LoRA / GGUFOpenChoice-9B
Um modelo de decisão multimodal 9B voltado para CPU e distribuído em GGUF, com Choice, Score, Noul, API compatível com TypeSafe e kit de ajuste LoRA.
Projetos independentes da comunidade, não versões oficiais do Jev.
Acompanhe novos modelos da comunidade e experiências de interfaces no Jev AI Radar.Explorar o Jev AI Radar
Fontes primárias
Leia as afirmações no seu contexto.
Este guia Jev AI Dev explica o enquadramento da TypeSafe por palavras próprias. Consulte as fontes oficiais para API, afirmações do produto, avaliação e atualizações.
Teste a forma, não apenas a ideia
Comece por uma decisão que a sua aplicação já toma.
Defina respostas possíveis, reúna exemplos representativos, decida como tratar a incerteza e compare o Jev com regras ou modelos atuais. Não automatize diretamente decisões de alto impacto.