はじめに

はじめに

Jev は TypeSafe のフラッグシップモデルであり、最初の System One モデルです。状態と型付きの質問を送ると、コードがそのまま使える構造化された答えが返ります。

大規模言語モデル（LLM）は、人が読むためのテキストを生成するように設計されています。コードが消費する判断をモデルに出させたいとき、そこにはずれが生じます。テキスト生成システムに無理やり構造化された意思決定を出力させ、その結果をコードが依存できる形にパースし直すことになるからです。

Jev は TypeSafe のフラッグシップモデルであり、最初の System One モデルです。System One モデルは、ソフトウェアがそのまま使える高速で構造化された意思決定を行うために構築されています。Jev は状態に対して型付きの質問を評価し、構造化された結果を直接返します。テキスト生成もパースもありません。コードが分岐・並べ替え・ルーティングに使える型付きの値と確率分布が得られます。Choice と Score は信頼度も返すので、ある答えに対して行動すべきか、どのように行動すべきかをコードがそれで判断できます。

%%{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"]

TypeSafe のプリミティブ

TypeSafe は三つの AI プリミティブを提供します。ソフトウェアのプリミティブと同様、私たちの AI プリミティブはモジュール化されており、組み合わせ可能で、構造化され、信頼でき、高速です。それぞれが異なる種類の質問を尋ね、異なる種類の答えを返します。

三つの質問の種類はすべて、一つの API 呼び出しで混在させられます。すべての質問は、同じ状態に対して一度に並列かつ独立に評価されます。質問を増やしても応答時間はほとんど変わりません。各質問は独立に評価されるため、質問を増やしてもコンテキストの腐敗（context rot）は起きません。

原子的な質問を、コードで組み合わせる

System One モデルは、各質問が一つの具体的で範囲の明確なことを尋ねるときに最もよく機能します。各質問は直感による判断、つまり知識の豊富な人が適切なコンテキストを与えられれば数秒で下せる種類の判断だと考えてください。

聞きたい質問が長い推論を必要としたり、複数の独立した要素を同時に衡量したりするなら、分解してください。各要素を別々の質問として尋ね、その結果をコードのロジックで組み合わせます。こうすれば個々の評価の信頼性を保ちながら、各次元をどう重み付けするかを完全に制御できます。

たとえば「このスタートアップのピッチを評価して」と聞く代わりに、市場規模、技術的な実現可能性、差別化について別々に尋ねます。スコアは自前の数式で組み合わせます。優先順位が変わったら、プロンプトを書き直すのではなくコードの係数を変えます。

次のステップ

• クイックスタート — すぐに始めるために必要なものがすべて揃っています。
• AI 入門 — TypeSafe が、生成テキストではなくキャリブレーションされた意思決定のためにモデルを訓練する理由。
• プリミティブ（質問） — 質問の定義方法、Choice・Score・Noul の使い分け、複数の質問を一度に尋ねる方法。
• 信頼度 — TypeSafe が確実性をどう報告するか、アーキテクチャ上どう使うか。
• パターン — TypeSafe でシステムを構築する際の一般的なパターン。