Förstå tillståndet
Modellen tolkar naturlig eller strukturerad text: ett supportärende, ett Agent-spår, en produktpost eller ett spelläge.
Jev AI Dev · utvecklarguide
Vad är System One AI-modellen? En utvecklarguide till Jev.
System One är TypeSafes klass av AI-modeller som omvandlar ostrukturerat applikationstillstånd till typade svar och sannolikheter. Jev är den första implementationen: en avgränsad beslutskomponent för applikationskod.
- Indata
- Text, JSON eller textlistor
- Utdata
- Choice, Score eller Noul
- Kontrollflöde
- Styrs av din kod
Detta är en oberoende utvecklarguide. Produkt- och prestandauppgifter kommer från TypeSafe. Testa Jev med egna data före produktion.
System One
state → decisionsstate
”Jag har debiterats två gånger och behöver lösa det i dag.”
choicefakturering0.96
noulbrådskande0.88
scorefrustration1.7 / 2
if (confidence < threshold) → reviewModellklassen
En System One-modell är ett beslutsprimitiv för applikationskod.
En System One-modell förstår betydelsen i indata men fortsätter inte en konversation och skriver inte ett svar. Du anger först frågan och tillåten svarsform; modellen returnerar ett avgränsat omdöme som programmet kan kontrollera.
Håll kontraktet
Applikationen definierar svarsrymden före anropet. Modellen väljer ett alternativ, bedömer på en skala eller utvärderar ett ja/nej-påstående.
Visa osäkerhet
Varje svar har en sannolikhetssignal. Choice och Score sammanfattar också fördelningen som confidence.
Kombinera med kod
Trösklar, policyer, åtgärder, omförsök, fallback och mänsklig granskning ligger kvar i vanlig kod.
Jev i ett arbetsflöde
Så integrerar utvecklare Jev i applikationskod.
Jev omvandlar ett modellanrop till flera beslutssignaler. Den användbara enheten är inte en chattur utan ett litet, typat kontrakt mellan modell och applikation.
1. Bygg tillståndet
Skicka informationen som behövs för beslutet. Jev tar för närvarande textbaserade indata: strängar, JSON-objekt och textlistor.
Kundmeddelande + kontodata2. Definiera frågor
Namnge varje fråga, välj primitive och beskriv alternativ eller skala. Flera oberoende frågor kan skickas i samma request.
team · brådska · frustration3. Jev bedömer
Jev returnerar ett typat svar och en sannolikhet per fråga. Choice och Score innehåller även confidence.
fakturering · 0,93 · hög confidence4. Koden tillämpar policyn
Kombinera utdata med deterministiska kontroller. Kör tydliga fall med låg risk; skicka oklara eller viktiga fall till en människa eller reasoning-modell.
routa · fråga · granska · stoppaTre svarsformer
Choice
billingVilket team ska hantera ärendet?
Väljer ett alternativ ur en definierad mängd och returnerar sannolikheten för varje alternativ.
Score
1.43 / 2Hur allvarligt är problemet?
Placerar indata på en beskriven, ordnad skala; resultatet kan ligga mellan nivåer.
Noul
0.95Begär meddelandet återbetalning?
Bedömer ett ja/nej-påstående och returnerar sannolikheten för “ja”.
Argumentet
Varför TypeSafe byggde ett modellgränssnitt för programvara.
Generativa modeller skapar flexibla strängar för människor. TypeSafe menar att programvara behöver en smalare intelligens: inbyggd i kod, upprepningsbar, med synlig osäkerhet och tydligt kontrollflöde.
Strängar är flexibla men öppna
Utdata kan vara text, kod, JSON, en vägran eller fel format. Applikationen måste ofta tolka, validera och hantera fel före en åtgärd.
Automatisering behöver gränser
När en modell körs i bakgrunden måste programmet känna till möjliga utfall och vilka åtgärder varje utfall får utlösa.
Osäkerhet ska ändra flödet
En sannolikhetsfördelning gör att tydliga fall kan automatiseras och oklara skickas via en säkrare väg.
Små beslut ska kunna sättas samman
Ett komplext flöde kan delas i fokuserade semantiska omdömen och kopplas med deterministisk logik i stället för ett stort prompt.
Var det passar
Var System One AI passar i utvecklarflöden.
De bästa kandidaterna återkommer ofta, kräver förståelse av stökiga indata och leder till några få åtgärder som applikationen redan kan utföra.
Supportarbete
Klassificera ärenden, identifiera avsikt och brådska, bedöm ton och skicka osäkra fall till granskning.
Fakturering, teknik, konto eller något annat?
Agentstyrning
Välj modell eller verktyg, avgör behov av retrieval, kontrollera fullständighet eller ett föreslaget verktygsanrop.
Ska Agenten fortsätta, försöka igen eller eskalera?
Rankning och relevans
Bedöm en kandidat mot fråga, profil, policy eller kontext och kombinera signalen med affärsregler.
Hur relevant är kandidaten för begäran?
Säkerhet och verifiering
Bedöm meddelanden, utdata, spår eller kodändringar mot tydliga kriterier; hög risk hålls bakom deterministiska spärrar.
Bryter detta mot den angivna regeln?
Realtidsinteraktion
Välj tillåtna åtgärder för spel, simuleringar, gränssnitt eller enheter utan att generera ett långt svar.
Vilken tillåten åtgärd passar bäst för tillståndet?
Datahantering
Gör stora mängder poster till kategorier, poäng, flaggor och egenskaper för efterföljande system.
Vilken kategori och risknivå har posten?
Bra matchning
Alternativen är kända, indata är semantiskt komplexa, beslutet återkommer, latens spelar roll och koden har en åtgärd eller fallback för varje resultat.
Dålig matchning
Du behöver originaltext eller kod, djup flerstegsresonering, bred research, förklaring, multimodala indata eller utfall som inte kan definieras i förväg.
System One och generativa LLM:er
System One och generativa LLM:er har olika roller i en AI-stack.
Båda kan förstå språk och en LLM kan också få strukturerade utdata. Den djupare skillnaden är vad modellen är byggd för att leverera och hur programvaran använder det.
| Aspekt | Jev / System One | Vanlig generativ LLM |
|---|---|---|
| Huvuduppgift | Bedöma definierade utfall | Generera fortsättning eller svar |
| Naturliga utdata | Typat val, score eller ja-sannolikhet | Tokenföljd: text, kod, JSON eller annat |
| Svarsrymd | Angiven före anropet | I grunden öppen, även med schema för slutformat |
| Osäkerhet | Sannolikhet för varje svar; confidence för Choice och Score | Kan ha token-sannolikheter eller självrapporterad säkerhet, sällan en uppgiftskalibrerad signal |
| Sampling | Enligt TypeSafe bedöms frågor och utdata parallellt | Vanligen sekventiellt, token för token |
| Styrkor | Täta semantiska grenar, scoring, routing och kontroller | Skrivande, dialog, kod, syntes och öppen resonering |
| Huvudfel | Typmässigt giltigt men semantiskt fel beslut | Felaktigt, felformaterat, ostyrkt eller avvikande innehåll |
| Systemroll | Avgränsad beslutskomponent i synlig kod | Flexibel generator eller reasoning-modell, ofta med större orkestrering |
För utvecklare som utvärderar System One utöver Jev visas samma communitymodul som på Projects-sidan. Den skiljer fristående tränade modeller från Jev-liknande gränssnitt på befintliga vikter.
System One
Communityns System One-ekosystem
De här communitymodellerna och gränssnittsexperimenten är inspirerade av Jev eller utforskar liknande metoder för strukturerade beslut. De är inte officiella Jev-versioner från TypeSafe och ingår inte i GitHub-rankningen ovan.
Communitymodell
Qwen3.5-9BBespoke Nimble
En Jev-inspirerad LoRA-adapter med träningsrecept för val och ja/nej-frågor. Körs lokalt och tar bara emot text.
GitHubCommunitymodell
Qwen3-0.6BNanoJev
En liten modell med beslutshuvuden, publicerad träningskod och speldemor för att testa val av handlingar.
GitHubCommunitymodell
Qwen3.5-2Bdecider
En finjusterad modell som ger sannolikheter för strukturerade frågor i en enda körning. Den aktuella versionen stöder bara engelska.
GitHubCommunitymodell
ModernBERT 151MVerdict
En liten encoderbaserad beslutsmodell med publicerade vikter och en WebGPU-demo i webbläsaren.
GitHubCommunitymodell
Qwen3.5-0.8BDohnuts
En multimodal beslutsmodell på 0,8B med publicerade vikter, träningskod och utvärderingar. Den hanterar text och bilder i en körning; vikterna är avsedda för icke-kommersiell forskning.
GitHubGränssnittsexperiment
DiffusionGemma 26B-A4BOpenJev
Använder den befintliga DiffusionGemma-modellen för att besvara strukturerade frågor via ett Jev-liknande API. Publicerar inga nya modellvikter.
GitHubGränssnittsexperiment
Open-model logitsSimple Jev
Poängsätter tillåtna svar med befintliga öppna modeller via ett Jev-liknande gränssnitt. Inga nya modellvikter publiceras.
GitHubGränssnittsexperiment
Spark-X2.5-4BRizzo Flow
En lokal Jev-kompatibel server som läser svarslogiter från Spark-X2.5. Frågor delar samma prefill av tillståndet och projektet innehåller både lekplats och tester.
GitHubGränssnittsexperiment
Any causal LLMAnyJev
Ett verktyg som utan träning gör kausala språkmodeller till typade beslutsmodeller, med korrigering för ordningsbias, valfri kalibrering och reproducerbara tester.
GitHubGränssnittsexperiment
Qwen3.5 / DeBERTalocal-jev
En offline Jev-kompatibel server för Qwen eller DeBERTa, testad med det officiella SDK:t och med publicerade JevBench-resultat.
GitHubSjälvständiga communityprojekt, inte officiella Jev-versioner.
Primärkällor
Läs påståenden i sitt sammanhang.
Denna Jev AI Dev-guide förklarar TypeSafes ram med egna ord. Använd officiella källor för API-detaljer, produktpåståenden, utvärdering och uppdateringar.
Testa formen, inte bara idén
Börja med ett beslut som applikationen redan fattar.
Definiera svaren, samla representativa exempel, bestäm hur osäkerhet ska hanteras och jämför Jev med nuvarande regler eller modeller. Automatisera inte beslut med stor påverkan direkt.