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
Qwen3.5-9BBespoke 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.
GitHubModelo 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.
GitHubModelo da comunidade
Qwen3.5-2Bdecider
Um modelo ajustado que devolve probabilidades para perguntas estruturadas numa só passagem. A versão atual só suporta inglês.
GitHubModelo da comunidade
ModernBERT 151MVerdict
Um pequeno modelo de decisão baseado num codificador, com pesos publicados e uma demo WebGPU no navegador.
GitHubModelo 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.
GitHubInterface 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.
GitHubInterface experimental
Open-model logitsSimple Jev
Usa modelos abertos existentes para pontuar respostas através de uma interface semelhante à do Jev. Não publica novos pesos.
GitHubInterface 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.
GitHubInterface 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.
GitHubInterface 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.
GitHubProjetos independentes da comunidade, não versões oficiais do Jev.
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.