Jev AI Dev · príručka pre vývojárov

Čo je model AI System One? Príručka k Jev pre vývojárov.

System One je trieda modelov AI od TypeSafe, ktorá mení neštruktúrovaný stav aplikácie na typované odpovede a pravdepodobnosti. Jev je prvá implementácia: ohraničená rozhodovacia súčasť pre kód aplikácie.

Vstup: Text, JSON alebo zoznamy textov
Výstup: Choice, Score alebo Noul
Tok riadenia: Zostáva vo vašom kóde

Ako integrovať Jev Porovnať s LLM

Toto je nezávislá príručka pre vývojárov. Informácie o produkte a výkone pochádzajú z materiálov TypeSafe. Pred produkciou overte Jev na vlastných dátach.

System Onestate → decisions

state

„Platbu mi strhli dvakrát. Potrebujem to vyriešiť dnes.“

choicefakturácia0.96

noulnaliehavé0.88

scorenespokojnosť1.7 / 2

if (confidence < threshold) → review

Trieda modelu

Model System One je rozhodovacie primitívum pre kód aplikácie.

System One rozumie významu vstupu, ale nepokračuje v rozhovore ani nepíše odpoveď. Najprv určíte otázku a povolený tvar odpovede; model vráti ohraničený úsudok, ktorý program môže skontrolovať.

Pochopiť stav

Model interpretuje prirodzený alebo štruktúrovaný text: tiket, stopu Agenta, záznam produktu či stav hry.

Dodržať kontrakt

Aplikácia pred volaním určí priestor odpovedí. Model zvolí možnosť, ohodnotí na škále alebo posúdi tvrdenie áno/nie.

Ukázať neistotu

Každá odpoveď obsahuje pravdepodobnosť. Choice a Score navyše sumarizujú rozdelenie ako confidence.

Skladať s kódom

Prahy, pravidlá, akcie, opakovania, záložné cesty a ľudská kontrola zostávajú v bežnom kóde.

Jev v pracovnom toku

Ako vývojári zapájajú Jev do kódu aplikácie.

Jev mení jedno volanie modelu na súbor rozhodovacích signálov. Užitočnou jednotkou nie je ťah konverzácie, ale malý typovaný kontrakt medzi modelom a aplikáciou.

Vstup

1. Zostavte stav

Pošlite informácie potrebné na rozhodnutie. Jev aktuálne prijíma textové vstupy: reťazce, objekty JSON a zoznamy textov.

Správa zákazníka + údaje účtu

Kontrakt

2. Definujte otázky

Otázku pomenujte, vyberte primitive a opíšte možnosti alebo škálu. Viac nezávislých otázok môže byť v jednej požiadavke.

oddelenie · naliehavosť · nespokojnosť

Model

3. Jev vyhodnotí

Pre každú otázku vráti typovanú odpoveď a pravdepodobnosť. Choice a Score obsahujú aj confidence.

fakturácia · 0,93 · vysoká confidence

Aplikácia

4. Kód uplatní pravidlá

Výstup spojte s deterministickými kontrolami. Jasné prípady s nízkym rizikom vykonajte, nejasné alebo významné odovzdajte človeku či reasoning modelu.

smerovať · opýtať sa · overiť · zastaviť

Tri tvary odpovede

Choicebilling

Ktorý tím má prípad riešiť?

Zvolí jednu možnosť z vopred danej množiny a vráti pravdepodobnosť každej možnosti.

Score1.43 / 2

Aký závažný je problém?

Umiestni vstup na opísanú usporiadanú škálu; výsledok môže byť medzi úrovňami.

Noul0.95

Žiada správa vrátenie peňazí?

Posúdi tvrdenie áno/nie a vráti pravdepodobnosť „áno“.

Dôvod

Prečo TypeSafe vytvoril modelové rozhranie pre softvér.

Generatívne modely tvoria flexibilné reťazce pre ľudí. TypeSafe tvrdí, že softvér potrebuje užšiu inteligenciu: vložiteľnú do kódu, opakovateľnú, ukazujúcu neistotu a zachovávajúcu viditeľný tok riadenia.

Reťazce sú pružné, ale otvorené

Výstup môže byť text, kód, JSON, odmietnutie alebo zlý formát. Aplikácia často musí pred akciou parsovať, overovať a riešiť chyby.

Automatizácia potrebuje hranice

Keď model beží na pozadí, program musí vopred poznať možné výsledky a akcie, ktoré každý z nich povoľuje.

Neistota má meniť tok

Rozdelenie pravdepodobnosti umožní automatizovať jasné prípady a nejasné poslať bezpečnejšou cestou.

Malé rozhodnutia sa majú skladať

Zložitý tok možno rozdeliť na cielené sémantické úsudky a spojiť deterministickou logikou namiesto ukrytia v jednom veľkom prompte.

Kde sa hodí

Kde System One AI zapadá do vývojových tokov.

Najlepšie úlohy sa často opakujú, vyžadujú pochopenie neusporiadaného vstupu a vedú k niekoľkým akciám, ktoré aplikácia už vie vykonať.

Zákaznícka podpora

Trieďte tikety, určujte zámer a naliehavosť, odhadujte sentiment a nejasné prípady posielajte na kontrolu.

Fakturácia, technika, účet alebo niečo iné?

Riadenie Agenta

Voľte model alebo nástroj, určujte potrebu vyhľadávania, úplnosť výsledku alebo kontrolujte navrhované volanie nástroja.

Má Agent pokračovať, opakovať alebo eskalovať?

Poradie a relevancia

Ohodnoťte zhodu kandidáta s dotazom, profilom, politikou či kontextom a spojte signál s obchodnými pravidlami.

Ako relevantný je kandidát pre požiadavku?

Bezpečnosť a overenie

Hodnoťte správy, výstupy, stopy alebo zmeny kódu podľa jasných kritérií; vysoké riziko držte za deterministickými bránami.

Porušuje to uvedené pravidlo?

Interakcia v reálnom čase

Vyberajte povolené akcie pre hry, simulácie, rozhrania či zariadenia bez dlhej generovanej odpovede.

Ktorá povolená akcia najlepšie zodpovedá stavu?

Dátové operácie

Premieňajte veľké objemy záznamov na kategórie, skóre, príznaky a vlastnosti pre ďalšie systémy.

Aká kategória a úroveň rizika platí pre záznam?

Dobrá voľba

Možnosti sú známe, vstup je sémanticky zložitý, rozhodnutie sa opakuje, záleží na latencii a kód pozná akciu alebo záložnú cestu pre každý výsledok.

Zlá voľba

Je potrebný originálny text či kód, hlboké viackrokové uvažovanie, široký výskum, vysvetlenie, multimodálny vstup alebo výsledky nemožno určiť vopred.

System One a generatívne LLM

System One a generatívne LLM majú v AI stacku rozdielne úlohy.

Oba prístupy rozumejú jazyku a LLM možno obmedziť štruktúrovaným výstupom. Hlbší rozdiel je v tom, čo má model prirodzene vracať a ako ho okolitý softvér používa.

Aspekt	Jev / System One	Bežný generatívny LLM
Hlavná úloha	Vyhodnotiť vopred dané výsledky	Generovať pokračovanie alebo odpoveď
Natívny výstup	Typovaná voľba, skóre alebo pravdepodobnosť áno	Sekvencia tokenov: text, kód, JSON alebo iné
Priestor odpovedí	Deklarovaný pred volaním	Z podstaty otvorený, aj keď schema obmedzuje konečný formát
Neistota	Pravdepodobnosť každej odpovede; confidence pre Choice a Score	Môže dať pravdepodobnosti tokenov alebo vlastnú istotu, zvyčajne nie kalibrovaný signál úlohy
Vzorkovanie	Podľa TypeSafe sa otázky a výstupy hodnotia paralelne	Zvyčajne sekvenčne, token po tokene
Silné stránky	Časté sémantické vetvenie, scoring, routing a kontroly	Písanie, dialóg, programovanie, syntéza a otvorené uvažovanie
Hlavné zlyhanie	Typovo platné, ale sémanticky chybné rozhodnutie	Chybný, zle formovaný, nepodložený alebo odchylný obsah
Úloha v systéme	Ohraničená rozhodovacia súčasť vo viditeľnom kóde	Flexibilný generátor či reasoning model, často s väčšou orchestráciou

Pre vývojárov, ktorí hodnotia System One aj mimo Jev, je nižšie rovnaký komunitný modul ako na stránke Projects. Oddeľuje samostatne trénované modely od rozhraní podobných Jev postavených na existujúcich váhach.

System One

Komunitný ekosystém System One

Tieto komunitné modely a experimenty s rozhraním sa inšpirujú Jevom alebo skúmajú podobné prístupy k štruktúrovanému rozhodovaniu. Nie sú to oficiálne verzie Jevu od TypeSafe a nie sú súčasťou vyššie uvedeného rebríčka projektov na GitHube.

Komunitný modelQwen3.5-9B

Bespoke Nimble

Adaptér LoRA a postup trénovania inšpirovaný Jevom pre výber z možností a otázky áno/nie. Beží lokálne a zatiaľ prijíma len text.

GitHub

Komunitný modelQwen3-0.6B

NanoJev

Malý model s rozhodovacími hlavami, zverejneným tréningovým kódom a hernými ukážkami výberu akcií.

GitHub

Komunitný modelQwen3.5-2B

decider

Doladený model vracia rozdelenie pravdepodobností pre štruktúrované otázky v jedinom prechode. Súčasná verzia podporuje iba angličtinu.

GitHub

Komunitný modelModernBERT 151M

Verdict

Malý rozhodovací model založený na enkodéri so zverejnenými váhami a ukážkou WebGPU v prehliadači.

GitHub

Komunitný modelQwen3.5-0.8B

Dohnuts

Multimodálny rozhodovací model s 0,8B parametrami a zverejnenými váhami, tréningovým kódom aj výsledkami testov. Text a obrázky spracuje v jednom priechode; váhy sú určené na nekomerčný výskum.

GitHub

Experiment s rozhranímDiffusionGemma 26B-A4B

OpenJev

Používa existujúci model DiffusionGemma na odpovedanie na štruktúrované otázky cez rozhranie podobné Jevu. Nezverejňuje nové váhy modelu.

GitHub

Experiment s rozhranímOpen-model logits

Simple Jev

Hodnotí povolené odpovede pomocou existujúcich otvorených modelov cez rozhranie podobné Jevu. Nezverejňuje nové váhy modelu.

GitHub

Experiment s rozhranímSpark-X2.5-4B

Rizzo Flow

Lokálny server kompatibilný s Jev, ktorý číta logity odpovedí modelu Spark-X2.5. Otázky zdieľajú jeden prefill stavu; súčasťou je aj skúšobné rozhranie a benchmarky.

GitHub

Experiment s rozhranímAny causal LLM

AnyJev

Nástroj, ktorý bez tréningu mení kauzálne jazykové modely na typované rozhodovacie modely, s korekciou vplyvu poradia možností, voliteľnou kalibráciou a reprodukovateľnými benchmarkmi.

GitHub

Experiment s rozhranímQwen3.5 / DeBERTa

local-jev

Offline server kompatibilný s Jev pre Qwen alebo DeBERTa, otestovaný s oficiálnym SDK a s publikovanými výsledkami JevBench.

GitHub

Nezávislé komunitné projekty, nie oficiálne verzie Jevu.

Primárne zdroje

Čítajte tvrdenia v kontexte.

Táto príručka Jev AI Dev vysvetľuje rámec TypeSafe vlastnými slovami. Podrobnosti API, tvrdenia o produkte, hodnotenie a zmeny overujte v oficiálnych zdrojoch.

01Dokumentácia System One 02Uvedenie Jev a technické tvrdenia 03Manifest Composable AI 04Oficiálna mapa použitia

Overte formu, nielen myšlienku

Začnite jedným rozhodnutím, ktoré aplikácia už robí.

Definujte odpovede, zhromaždite reprezentatívne príklady, určte prácu s neistotou a porovnajte Jev so súčasnými pravidlami alebo modelom. Neautomatizujte priamo rozhodnutia s veľkým vplyvom.

Vyskúšať Jev v Playgrounde Projekty Jev