Jev モデルとは？

Jev モデルは、TypeSafe AI 初の System One Model です。ソフトウェアが直接利用できる、狭く構造化された判断を行うための AI モデルとして設計されています。文章を書く代わりに、テキストまたは JSON の state を受け取り、型が定義された複数の質問を評価し、選択、スコア、確率、信頼度を返します。

そのため Jev は、分類、ルーティング、ランキング、検証、ガードレールに向いています。ただし、チャットモデル、コーディングモデル、計算機、決定論的な業務ルールの代わりにはなりません。

Jev モデルの概要

公式表記は Jev で、J-E-V と展開する頭字語ではありません。TypeSafe は、経済学者 William Stanley Jevons にちなんだ名称だと説明しています。「System One」は Daniel Kahneman の Thinking, Fast and Slow に登場する、高速で直感的な System 1 に由来します。

Jev は実際に何をするのか

Jev は確率的な意味判断関数と考えると分かりやすいでしょう。

非構造または構造化された状態
  + 事前定義した質問と回答空間
  -> 型付き判断と確率分布

一般的な LLM は、系列を続けて文字列を生成するよう最適化されています。JSON mode でも、アプリケーションは生成モデルに回答を組み立てさせています。Jev は自由文生成を手放し、呼び出し側が先に出力形式を定義します。そのうえで、同じ state に対して各質問を評価します。

TypeSafe は学習手法を Reinforcement Learning for Calibrated Decisions（RLCD） と説明しています。目的は答えを選ぶだけでなく、複数の予測群で信頼度と正解率が対応する確率を出すことです。Calibration は統計的な性質です。0.8という確率は、同等のケース全体でおよそ80%の正解率に対応すべきだという意味で、特定の1回答が正しいことを保証しません。

Choice、Score、Noul

Jev には3種類の質問があります。生成後に追加する整形オプションではなく、API の中心的な機能です。

Choice は最大255個の選択肢を持てます。Score は2〜10個の説明付きレベルを受け取ります。Noul には別の信頼度フィールドがなく、0から1の値自体が「yes」の確率です。

1リクエスト内の複数質問は、同じ state に対して独立かつ並列に評価されます。複数の信号が必要なワークフローでは便利ですが、ある回答が別の回答の条件になるわけではありません。質問Bが質問Aに依存する場合は、その依存関係をコードで明示する必要があります。

Jev API のリクエスト例

次の短い例は TypeSafe の公式リクエスト形式に従っています。1件のサポートメッセージを、担当部署、顧客の不満、緊急度について1回の呼び出しで評価します。

curl https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "My payouts have failed for three days and I am losing sales. Please help now.",
    "model": "jev-latest",
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
          "billing": "Payments, invoices, or refunds",
          "technical": "Bugs, outages, or integrations",
          "sales": "Pricing, upgrades, or new accounts"
        }
      },
      "frustration": {
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated", "Very angry"]
      },
      "is_urgent": {
        "type": "noul",
        "instructions": "Does this message convey urgency?"
      }
    }
  }'

レスポンスでは同じ質問 ID が維持されます。department は許可された3文字列のいずれかと、3つすべての確率分布を返します。frustration は指定レベルの確率加重位置なので小数になり得ます。is_urgent は yes の確率だけを返します。

具体的な値は、入力、criteria、モデルバージョンによって変わります。行動に移す確率の閾値を決めるのは、モデルではなくアプリケーションコードです。

Jev、LLM、分類器の違い

Jev は両者の中間にある便利な選択肢ですが、違いを理解する必要があります。

Jev を「単なる分類器」と呼ぶと、リクエスト時に基準を変えられる柔軟性を見落とします。「高速な LLM」と呼ぶと、説明、メール、コードを書けず、指定外の新しい答えを作れない点を見落とします。

JSON mode も同じ契約ではありません。JSON mode は生成テキストの構文を制約します。Jev は回答空間そのものを制約し、判断に用いた全確率分布を返します。これは問題を境界付き質問で表現できる場合にだけ価値があります。

料金、コンテキスト、スループット

TypeSafe は現在 Jev 1.13 を入力100万 token あたり $0.042、つまり10億 token あたり $42 としています。出力は「計測するには安すぎる」として無料ですが、レスポンスには出力 token 使用量が記録されます。

これらは算術上の例で、請求書の実測ではありません。retry、前処理、cascade 内の別モデル、保存、開発工数、将来の料金変更は含みません。

コンテキストには同時に2つの制限があります。state と全質問の合計は64K token 以内、state と最長の1質問の合計は32K以内です。長いコンテキストが常に有利とは限りません。TypeSafe 自身の jaggedness ガイドも、無関係な詳細が増えると精度が下がると説明しています。

公開されている250,000 token/秒と1,200リクエスト/分はアカウント単位の上限で、1リクエストの速度保証ではありません。TypeSafe は early access 中に動的に変更していると明記しています。

速度の主張はどこまで強いか

TypeSafe はエンドツーエンド70–500 msを報告し、「System One 型」の問いでは同等の知能を持つ frontier model より40–200倍高速になり得るとしています。公開資料では、Jev が193.6倍高速、444.6倍安価だったワークフロー評価も強調されています。

これらは中立な benchmark ではなく、ベンダーによる結果です。TypeSafe は次の重要な制限を開示しています。

1. 公開レイテンシ測定の多くは、サービスと同じ米国西海岸にいた社員の laptop から実行されました。
2. ワークフローの課題は TypeSafe の model-capabilities team が作成しており、選択バイアスの可能性があります。
3. 参照回答は GPT-6 Astra と Fable 5.1 の平均で、そのモデル系統に有利な可能性があります。
4. 比較対象の LLM は OpenRouter と TypeSafe の構造化 wrapper 経由で呼び出されました。
5. TypeSafe 自身が193.6倍と444.6倍を、現実に期待できる改善幅の上限側と説明しています。

妥当な結論はより限定的です。Jev の制約付き出力と並列評価は、境界のある判断を非常に低いレイテンシとコストで処理できる可能性を示します。一方、すべてのタスクで40–200倍速いこと、frontier LLM と一般知能が同等であること、生成や多段推論に優れることは証明していません。

「幻覚ゼロ」は正確に定義する必要がある

TypeSafe は Jev が hallucination を起こさないと宣伝しています。最も妥当なのは schema safety の意味です。Choice が4つ目の選択肢を捏造したり、コードが数値を期待する箇所で文章を返したりしません。TypeSafe は、この出力一致は経験的なゼロエラー率ではなく、構造上保証されると説明しています。

しかし、型として正しい答えでも意味的には誤っていることがあります。TypeSafe の Jev 1.13 ドキュメントには次の失敗例があります。

• 字面どおりに読みすぎて暗黙の意図を見落とす。
• 数え上げ、算術、日付、数値精度が不安定。
• 多段の間接推論が苦手。
• 無関係な詳細を含む長い state で精度が低下する。
• 敵対的コンテンツや prompt injection の影響を受ける。
• instructions と criteria が矛盾すると混乱する。
• 別々に表現した質問間で、確率が直感的な恒等式を満たさないことがある。
• テキスト生成が必要なあらゆるタスクに不向き。

したがって実務上の主張は、スキーマ外の生成がゼロという意味であり、判断ミスがゼロという意味ではありません。本番コードには、評価データ、保守的な閾値、決定論的な検証、エスカレーション経路が依然として必要です。

Jev が適する場所

回答空間に境界があり、判断が数学ではなく意味に関するもので、結果を別のソフトウェアが利用する。この3条件がそろうと Jev は有力な候補です。

文章作成、要約、コード生成、開放的な抽出、正確な算術、日付比較、長い因果推論の既定値には向きません。厳密なロジックには通常のコードを使い、出力そのものを作る必要がある場合は生成モデルまたは推論モデルを使います。

本番導入チェックリスト

1. 決定論的な処理はコードに残す。 日付解析、件数、金額計算、権限確認にモデルは不要です。
2. 質問を原子的にする。 「この申請を承認するか」を、判断に必要な独立した事実へ分解します。
3. 境界をすべて記述する。 Choice が網羅的でなければ other や none を加え、Score の各レベルを具体化します。
4. 自社データで検証する。 主な学習言語は英語です。TypeSafe は CJK を含む他言語が同じ精度ではないと説明しています。
5. 予測ではなく行動を calibration する。 元に戻せる UI ルーティングと重大な自動処理で、同じ信頼度閾値を使わないでください。
6. 調整後はバージョンを固定する。 jev-latest は更新されます。レスポンスのバージョン ID を記録し、閾値を意図的に移行します。
7. 不確実性をエスカレーションする。 曖昧なケースは強制決定せず、人または遅い推論モデルへ送ります。
8. 受理タスク単位のコストを測る。 token 料金だけでなく、retry、誤判断、人手確認、後段 LLM 呼び出しを含めます。

Jev は OmniaKey で利用できるか

事実確認日時点では利用できません。OmniaKey の現在のカタログとコードベースに Jev の route は見つかりませんでした。この記事の endpoint と料金は TypeSafe 直結 API のものであり、このガイドの公開は OmniaKey への統合を発表するものではありません。

実際の gateway 対応状況はOmniaKey の最新モデル一覧で確認してください。開放的なコーディングや Agent 作業には、技術スタックの別の層を扱うコーディング Agent モデルガイドがあります。

最終評価

Jev は万能 LLM の代替ではなく、意味判断のための新しい interface と捉えるのが適切です。曖昧な判断をモデルに任せ、出力をプログラムが理解できる型に限定し、不確実性を公開し、組み合わせと厳密なロジックはコードに残す。この発想が最大の価値です。

現在の API は紙面上では非常に安価で、低レイテンシ向けに設計されています。一方で early access、text-only、英語が最も強く、数学、日付、間接推論、無関係な context、敵対入力に弱いことも公式に記録されています。同条件の独立テストが出るまでは、速度と知能の比較はベンダー証拠として扱うべきです。

よくある質問

Jev は LLM ですか？

TypeSafe は Jev を LLM ではなく System One Model と呼んでいます。自然言語の state は理解しますが、自由文は生成しません。確認した公開資料には十分な architecture 情報がなく、内部ネットワークが従来の言語モデルとどの程度近いかを独立に断定できません。

Jev は GPT や Claude を置き換えられますか？

いいえ。Jev は文章作成、説明、コーディング、開放的な生成を行えません。生成モデルを補完し、リクエストの routing、出力検査、証拠の scoring、遅いモデルを呼ぶべきかの判断に使えます。

Choice、Score、Noul とは何ですか？

Choice は閉じた集合から選び、全選択肢の確率を返します。Score は state を説明済みの2〜10段階に配置します。Noul は yes/no 命題が真である確率を返します。

Jev は本当に幻覚ゼロですか？

宣言した回答型の外にある値を生成できないため、多くの解析エラーや Schema エラーを防ぎます。それでも、誤った有効選択肢を選んだり、誤解を招く確率を返したりする可能性があります。型安全は意味的な正しさではありません。

Jev API の料金はいくらですか？

TypeSafe は Jev 1.13 を入力100万 token あたり $0.042、出力を現在無料としています。Early access 中は直結料金と rate limit が変わる可能性があります。

Jev は画像や日本語に対応していますか？

入力はテキストのみです。文字列、JSON オブジェクト、配列も最終的にはテキストを含む必要があります。日本語などの CJK 文字も入力できますが、TypeSafe は現状英語が最も強いとしており、英語以外のワークロードは自社データで評価する必要があります。

一次情報

• TypeSafe: Introducing System One Models & Jev（英語）
• TypeSafe ドキュメント: Introduction（英語）
• TypeSafe ドキュメント: System One（英語）
• TypeSafe ドキュメント: Models and pricing（英語）
• TypeSafe ドキュメント: HTTP API reference（英語）
• TypeSafe ドキュメント: Confidence（英語）
• TypeSafe ドキュメント: Jev 1.13 jaggedness（英語）

証拠は2026年9月19日に確認しました。Jev は early access 中で急速に変化しています。本番利用前に、バージョン ID、料金、制限、言語特性、データ条件を再確認してください。