Jevとは何か
やさしい解説。
TypeSafe AI の Jev は、文章を書かないモデルです。評価してほしい内容と、答えの選択肢が決まっている質問を渡すと、そのうちの1つを確率つきで返します。仕組みはそれだけで、あとはすべてそこから派生します。
私たちは Jev のパロディを作りました。そのためにドキュメントを全部読みました。このページはそこで分かったことを、ふざけずにまとめたものです。冗談は最後だけです。
要点
何をするか。内容と型のついた質問を受け取り、型のついた答えと確率分布を返します。文章は返しません。
何のためか。人が読む判断ではなく、コードが使う判断のためです。振り分け、分類、フィルタリング、並べ替え、条件分岐。
なぜ話題か。速くて安いので、これまで言語モデルを呼ぶ価値がなかった場所にも判断を置けるようになったからです。
何ではないか。チャットボットでも推論モデルでもなく、その代わりにもなりません。生成は一切できません。
なぜ生まれたか
言語モデルは、人が読む文章を作るために設計されています。ところがコードが使う判断をモデルに任せたいとき、そこにずれが生まれます。文章生成器をなだめすかして構造化された出力を出させ、それを自分のプログラムが信頼できる形に戻すパース処理を書くことになります。言語モデルで開発したことがある人なら、その層を書いたことがあり、それが壊れるところも見たことがあるはずです。
TypeSafe は Jev を System One モデルと呼んでいます。人間の速い直感的な思考になぞらえた名前です。比較の軸は学習方法です。チャットモデルは人間のフィードバックによる強化学習で学習します。推論モデルは検証可能な報酬による強化学習で学習します。Jev は TypeSafe が RLCD と呼ぶ、較正された判断のための強化学習で学習しています。目指しているのは良い文章ではなく、意味のある確率です。
3つのプリミティブ
Jev の質問の型はちょうど3つです。それぞれ聞くことも返すものも違います。
| 質問の型 | 何を聞くか | 何が返るか |
|---|---|---|
| Choice | 渡した選択肢から1つ選ぶ | 選ばれた選択肢、全選択肢の確率、確信度 |
| Score | 自分で定義した基準で採点する | スコア、各段階の確率、確信度 |
| Noul | この記述は正しいか | 0から1までの数値ひとつ。確信度はなし |
重要なのは、3種類を1回のリクエストに混ぜられる点です。すべての質問が同じ内容に対して並列かつ独立に評価されるため、質問を増やしても所要時間はほとんど変わりません。独立して評価されるので、長いプロンプトのように質問どうしが干渉することもありません。
実際に使うと、この性質が体感を変えます。うまいプロンプトを1つ書くのではなく、小さな質問を12個まとめて投げて、組み合わせは自分のコードでやる、という形になります。
state（状態）
評価してほしい内容は state と呼ばれます。ただの文字列でも、JSONオブジェクトでも、テキストの配列でも構いません。多くの場合はオブジェクトが最適です。内容の各部分に名前が付き、関係が明確になるからです。
Jev が扱えるのはテキストだけです。画像も音声も動画も受け付けません。テキスト以外のものを判断させたいなら、先にテキストか構造化されたフィールドに変換する必要があります。
確信度
Choice と Score の答えには、選択肢や段階にわたる確率分布が必ず付いてきます。本当の信号はその分布の形です。ひとつの結果に集中していればモデルは確信しており、散らばっていれば確信していません。
confidence の値は、その形を0から1の数値ひとつに畳んだものです。自分で計算しなくても閾値を切れるようにするためのものです。TypeSafe はこれが唯一正しい尺度ではなく便宜的なものだと明言しており、だからこそ分布全体も返しています。Noul の答えに確信度がないのは、返ってくる数値そのものがすでに確率だからです。
ここから生まれる実用的なパターンが、確信度による振り分けです。確信している case は自動で処理し、あいまいな case だけ遅いモデルか人間に回す。文章生成器の上では作れない設計です。文章生成器は、分かっていてもいなくても同じ流暢さで答えてしまうからです。
料金と制限
以下は現行モデル jev-1.13.0 の公開値です。提供は単一のエンドポイントからです。
POST /v1/systemone。モデルはリクエスト内のフィールドで指定します。
出力ではなく入力で課金するのは、出力が選択肢1つと数値しかないモデルにとって誠実な料金設計です。請求額のスクリーンショットが次々に投稿されているのもそのためです。小さな state を送っている限り、お金を使うほうが難しいくらいです。
良い質問の書き方
TypeSafe 自身の助言がドキュメントの中でいちばん有用で、いちばん見落とされている部分です。1つの質問では、具体的で範囲の定まったことを1つだけ聞く。詳しい人が適切な文脈を与えられれば数秒で下せる、勘に近い判断だと考えてください。
長い推論が必要な質問や、独立した複数の要素を天秤にかける質問は、分解してください。「このスタートアップのピッチを評価して」ではなく、市場規模、技術的な実現可能性、差別化を別々に聞き、自分の式で合成する。優先順位が変わったときは、プロンプトを書き直すのではなく係数をひとつ変えるだけで済みます。
本質的な変化はここです。ロジックはもうモデルの中にはありません。ロジックは自分のコードにあり、モデルはそのロジックが必要とする小さな事実判断に答えるだけです。
苦手なこと
TypeSafe は現行バージョンの既知の弱点を公開しています。ここまでやっているラボは多くありません。以下が公開されている失敗モードと、公式の対処法です。
| 失敗のしかた | 代わりにどうするか |
|---|---|
| 字義どおりに読む。意図ではなく書かれた質問に答える | 条件と各選択肢の基準を正確に書き下す |
| 数学と数値 | 計算はコード側に置く |
| 日付や時刻の比較 | 要素に分解してコードで比較する |
| 間接参照。答えが何段階も先にある | 段階を減らし、関係する内容を直接指す |
| 無関係な情報だらけの大きな state | 先に絞り込み、質問に必要な分だけ送る |
| 敵対的な入力 | 質問を厳密に書き、投入前に境界例を試す |
| 矛盾する指示と基準 | 基準と指示を一致させる |
| 常識的な構造の一貫性 | 各判断を一方向にだけ聞き、恒等性はコードで担保する |
| あらゆる生成 | 生成モデルを使う。これにはできない |
9つに共通するのは同じことです。Jev は字義どおりで、速い。推論の連鎖、数値の厳密さ、複数の考えを同時に抱えることが必要な場面は、このモデルの用途ではありません。
使うべきか
向いている場合。人間なら一瞬で下せる判断が、すでにコードの中にあるとき。いまはif文の山やキーワードリスト、あるいは少し後ろめたい気持ちで呼んでいる言語モデルで処理しているような箇所です。問い合わせの振り分け、スパムや不適切投稿の検出、コンテンツのタグ付け、意図の判定、候補の順位付け、エージェントを続行させるか止めるかの判断。
向いていない場合。文章、推論、計算、あるいは人がそのまま読む答えが必要なとき。小さなチャットボットではなく、別の道具です。
まだ様子を見たほうがいい場合。日本語をはじめ英語以外で作っているとき、または判断が厳密な数値比較に依存するとき。どちらも現時点で文書化された弱点です。
このページについて
私たちは TypeSafe AI ではありません。このサイトは TypeSafe のパロディで、Jef は Jev のパロディです。この解説を書いたのは、Jev とは何かを尋ねる人がとても多く、そして正直な答えのほうが周りの誇大な話より面白いからです。
このページの内容はすべて TypeSafe 自身のドキュメント docs.typesafe.ai によります。2026年9月18日に参照しました。数値は変わります。依存する前に一次情報を確認してください。