Понять состояние
Модель интерпретирует естественный или структурированный текст: тикет, трассу Агента, карточку товара или состояние игры.
Jev AI Dev · руководство разработчика
Что такое ИИ-модель System One? Руководство по Jev для разработчиков.
System One — класс ИИ-моделей TypeSafe, который превращает неструктурированное состояние приложения в типизированные ответы и вероятности. Jev — первая реализация: ограниченный компонент принятия решений для кода приложения.
- Вход
- Текст, JSON или массивы текста
- Выход
- Choice, Score или Noul
- Поток управления
- Остаётся в вашем коде
Это независимое руководство. Сведения о продукте и производительности основаны на материалах TypeSafe. Перед продакшеном проверьте Jev на собственных данных.
System One
state → decisionsstate
«С меня списали деньги дважды. Нужно решить это сегодня.»
choiceплатежи0.96
noulсрочно0.88
scoreнедовольство1.7 / 2
if (confidence < threshold) → reviewКласс модели
Модель System One — примитив принятия решений для кода приложения.
System One понимает смысл входа, но не продолжает диалог и не пишет ответ. Вы заранее задаёте вопрос и допустимую форму ответа; модель возвращает ограниченное суждение, которое программа может проверить.
Соблюдать контракт
Приложение задаёт пространство ответов до вызова. Модель выбирает вариант, оценивает по шкале или проверяет утверждение да/нет.
Показывать неопределённость
Каждый ответ содержит вероятность. Choice и Score дополнительно сводят распределение в confidence.
Сочетаться с кодом
Пороги, политики, действия, повторы, резервные пути и проверка человеком остаются в обычном коде.
Jev в процессе
Как разработчики встраивают Jev в код приложения.
Jev превращает один вызов модели в набор сигналов решения. Полезная единица — не реплика чата, а небольшой типизированный контракт между моделью и приложением.
1. Соберите состояние
Передайте данные, необходимые для решения. Сейчас Jev принимает текстовые входы: строки, JSON-объекты и массивы текста.
Сообщение клиента + данные счёта2. Задайте вопросы
Назовите вопрос, выберите primitive и опишите варианты или шкалу. Несколько независимых вопросов можно отправить одним запросом.
отдел · срочность · недовольство3. Jev оценивает
Для каждого вопроса Jev возвращает типизированный ответ и вероятность. Choice и Score также содержат confidence.
платежи · 0,93 · высокая confidence4. Код применяет политику
Сочетайте выход модели с детерминированными проверками. Ясные случаи низкого риска автоматизируйте, неоднозначные или значимые передавайте человеку либо reasoning-модели.
направить · уточнить · проверить · остановитьТри формы ответа
Choice
billingКакая команда должна обработать запрос?
Выбирает один вариант из заданного набора и возвращает вероятность каждого варианта.
Score
1.43 / 2Насколько серьёзна проблема?
Размещает вход на упорядоченной описанной шкале; значение может находиться между уровнями.
Noul
0.95Запрашивается ли возврат средств?
Оценивает утверждение да/нет и возвращает вероятность «да».
Аргумент
Зачем TypeSafe создала модельный интерфейс для программ.
Генеративные модели создают гибкие строки для людей. По мнению TypeSafe, программам нужна более узкая форма интеллекта: встраиваемая в код, повторяемая, показывающая неопределённость и сохраняющая видимым поток управления.
Строки гибки, но открыты
Результатом может быть текст, код, JSON, отказ или неверный формат. Перед действием приложение часто должно разобрать, проверить и обработать сбой.
Автоматизации нужны границы
Когда модель работает в фоне, программа должна заранее знать возможные исходы и действия, которые каждый из них разрешает.
Неопределённость должна менять маршрут
Распределение вероятностей позволяет автоматизировать ясные случаи и направлять неоднозначные по более безопасному пути.
Малые решения должны компоноваться
Сложный процесс можно разбить на сфокусированные смысловые оценки и соединить детерминированной логикой, не скрывая всё в одном большом промпте.
Где применять
Где System One AI подходит процессам разработки.
Лучшие задачи возникают часто, требуют понимания неоднородного входа и ведут к небольшому числу действий, которые приложение уже умеет выполнять.
Поддержка
Классифицировать тикеты, определять намерение и срочность, оценивать настроение и отправлять неясные случаи на проверку.
Платежи, техника, аккаунт или другое?
Управление Агентом
Выбирать модель или инструмент, решать, нужен ли поиск, проверять полноту ответа или планируемый вызов инструмента.
Агенту продолжить, повторить или эскалировать?
Ранжирование и релевантность
Оценивать соответствие кандидата запросу, профилю, политике или контексту и сочетать сигнал с бизнес-правилами.
Насколько кандидат релевантен запросу?
Безопасность и проверка
Оценивать сообщения, результаты, трассы или изменения кода по явным критериям; высокий риск оставлять за детерминированными барьерами.
Нарушает ли это заданное правило?
Реальное время
Выбирать разрешённые действия для игр, симуляций, интерфейсов и устройств без длинной генерации.
Какое разрешённое действие лучше для этого состояния?
Операции с данными
Преобразовывать большие объёмы записей в категории, оценки, флаги и признаки для последующих систем.
Каковы категория и уровень риска этой записи?
Подходит
Варианты известны, вход смыслово сложен, решение повторяется, важна задержка, а код знает действие или резервный путь для каждого результата.
Не подходит
Нужны оригинальный текст или код, глубокое многошаговое рассуждение, широкое исследование, объяснение, мультимодальный вход либо исходы нельзя задать заранее.
System One и генеративные LLM
System One и генеративные LLM играют разные роли в ИИ-стеке.
Оба подхода понимают язык, а LLM можно ограничить структурированной схемой. Главное различие — что модель должна выдавать изначально и как её использует окружающее ПО.
| Аспект | Jev / System One | Обычная генеративная LLM |
|---|---|---|
| Основная задача | Оценивать заданные исходы | Генерировать продолжение или ответ |
| Нативный выход | Типизированный выбор, оценка или вероятность «да» | Последовательность токенов: текст, код, JSON и другое |
| Пространство ответов | Задано до вызова | По сути открыто, даже если schema ограничивает итоговый формат |
| Неопределённость | Вероятность каждого ответа; confidence для Choice и Score | Возможны вероятности токенов или заявленная уверенность, обычно это не откалиброванный сигнал задачи |
| Сэмплирование | По данным TypeSafe, вопросы и выходы оцениваются параллельно | Обычно последовательно, токен за токеном |
| Сильные стороны | Частые смысловые ветвления, scoring, routing и проверки | Текст, диалог, код, синтез и открытое рассуждение |
| Главный сбой | Тип корректен, но смысл решения ошибочен | Ошибочный, неверно оформленный, необоснованный или нерелевантный контент |
| Роль в системе | Ограниченный компонент решения в видимом коде | Гибкий генератор или reasoning-модель, часто с более крупной оркестрацией |
Для разработчиков, оценивающих System One помимо Jev, ниже показан тот же модуль сообщества, что на странице Projects. Он отделяет самостоятельно обученные модели от Jev-подобных интерфейсов на существующих весах.
System One
Экосистема System One от сообщества
Эти модели и эксперименты с интерфейсами от сообщества вдохновлены Jev или исследуют похожие способы структурированного принятия решений. Это не официальные версии Jev от TypeSafe, и они не входят в рейтинг проектов GitHub выше.
Модель сообщества
Qwen3.5-9BBespoke Nimble
Адаптер LoRA и метод обучения, вдохновлённые Jev, для выбора из вариантов и вопросов да/нет. Работает локально и принимает только текст.
GitHubМодель сообщества
Qwen3-0.6BNanoJev
Небольшая модель с головами принятия решений, открытым кодом обучения и игровыми демо для выбора действий.
GitHubМодель сообщества
Qwen3.5-2Bdecider
Дообученная модель возвращает вероятности для структурированных вопросов за один проход. Текущая версия поддерживает только английский.
GitHubМодель сообщества
ModernBERT 151MVerdict
Компактная модель на основе энкодера с опубликованными весами и демо на WebGPU в браузере.
GitHubМодель сообщества
Qwen3.5-0.8BDohnuts
Мультимодальная модель решений на 0,8B параметров с открытыми весами, кодом обучения и результатами тестов. Обрабатывает текст и изображения за один проход; веса доступны для некоммерческих исследований.
GitHubЭкспериментальный интерфейс
DiffusionGemma 26B-A4BOpenJev
Использует существующую модель DiffusionGemma для ответов на структурированные вопросы через API, похожий на Jev. Новые веса модели не публикуются.
GitHubЭкспериментальный интерфейс
Open-model logitsSimple Jev
Оценивает допустимые ответы с помощью существующих открытых моделей через интерфейс, похожий на Jev. Новые веса модели не публикуются.
GitHubЭкспериментальный интерфейс
Spark-X2.5-4BRizzo Flow
Локальный Jev-совместимый сервер, который считывает логиты ответов Spark-X2.5. Вопросы используют общий префилл состояния; в комплекте есть песочница и бенчмарки.
GitHubЭкспериментальный интерфейс
Any causal LLMAnyJev
Набор инструментов, превращающий каузальные языковые модели в типизированные модели решений без обучения, с устранением смещения порядка вариантов, необязательной калибровкой и воспроизводимыми тестами.
GitHubЭкспериментальный интерфейс
Qwen3.5 / DeBERTalocal-jev
Офлайн-сервер для Qwen или DeBERTa, совместимый с Jev, проверенный с официальным SDK и дополненный опубликованными результатами JevBench.
GitHubНезависимые проекты сообщества, не официальные версии Jev.
Первоисточники
Читайте утверждения в контексте.
Это руководство Jev AI Dev пересказывает подход TypeSafe своими словами. Детали API, заявления о продукте, методы оценки и обновления проверяйте в официальных материалах.
Проверяйте форму, не только идею
Начните с одного решения, которое приложение уже принимает.
Задайте ответы, соберите репрезентативные примеры, определите обработку неопределённости и сравните Jev с текущими правилами или моделью. Не автоматизируйте напрямую решения с серьёзными последствиями.