Introduction

Jev est le modèle phare de TypeSafe et le premier modèle System One. Envoie un état et des questions typées ; obtiens des réponses structurées que ton code peut utiliser directement.

Les grands modèles de langage (LLM) sont conçus pour produire du texte destiné à la lecture humaine. Quand tu as besoin qu’un modèle porte un jugement que ton code va consommer, il y a un décalage : tu forces un système de génération de texte à produire des décisions structurées, puis tu réanalyses les résultats pour en tirer quelque chose sur quoi ton code puisse s’appuyer.

Jev est le modèle phare de TypeSafe et le premier modèle System One. Les modèles System One sont conçus pour prendre des décisions rapides et structurées que le logiciel peut utiliser directement. Jev évalue des questions typées par rapport à un état et renvoie directement des résultats structurés. Pas de génération de texte, pas d’analyse. Tu obtiens des valeurs typées et des distributions de probabilité sur lesquelles ton code peut brancher, trier et router. Choice et Score renvoient aussi une confiance, que ton code peut utiliser pour décider si et comment agir sur une réponse.

%%{init: {"fontFamily": "Inter, sans-serif", "flowchart": {"rankSpacing": 35, "wrappingWidth": 300, "subGraphTitleMargin": {"top": 12, "bottom": 12}}}}%%
flowchart LR
    input["state + questions"]

    subgraph model["TypeSafe AI model"]
        evaluate["evaluate each question<br/>against the state<br/>in parallel"]
    end

    input -- "one request" --> model
    model -- "one response" --> answers["typed answers<br/>+ probabilities<br/>+ confidence<br/>(Choice and Score)"]
    answers --> code["<b>your code</b><br/>branch, sort, and route"]

Les primitives TypeSafe

TypeSafe expose trois primitives IA. Comme les primitives logicielles, nos primitives IA sont modulaires, composables, structurées, fiables et rapides. Chacune pose un type de question différent et renvoie un type de réponse différent.

Les trois types de question peuvent être mélangés dans un seul appel API. Chaque question est évaluée en parallèle et isolément par rapport au même état, en une seule fois. Ajouter des questions ne change presque pas le temps de réponse. Chaque question est évaluée indépendamment, donc en ajouter n’entraîne pas de dégradation du contexte.

Des questions atomiques, composées dans le code

Les modèles System One donnent le meilleur d’eux-mêmes quand chaque question porte sur un point précis et bien délimité. Vois chaque question comme un jugement au feeling : le genre d’appréciation qu’une personne très compétente pourrait porter en quelques secondes avec le bon contexte.

Si la question que tu veux poser exige un raisonnement prolongé ou met en balance plusieurs facteurs indépendants, décompose-la. Pose chaque facteur comme une question distincte, puis combine les résultats avec de la logique dans ton code. Chaque évaluation individuelle reste fiable, et tu gardes le contrôle total sur la pondération des dimensions.

Par exemple, au lieu de « note ce pitch de startup », demande séparément la taille du marché, la faisabilité technique et la différenciation. Combine les scores avec ta propre formule. Quand les priorités changent, modifie un coefficient dans ton code plutôt que de réécrire un prompt.

Étapes suivantes

• Démarrage rapide — Tout ce qu’il te faut pour commencer tout de suite.
• Initiation à l’IA — Pourquoi TypeSafe entraîne des modèles à prendre des décisions calibrées plutôt qu’à générer du texte.
• Primitives (Questions) — Comment définir des questions, choisir entre Choice, Score et Noul, et en poser plusieurs d’un coup.
• Confiance — Comment TypeSafe exprime la certitude, et comment l’exploiter dans l’architecture.
• Motifs — Des motifs courants pour construire des systèmes avec TypeSafe.